FREQUENTLY ASKED QUESTION (FAQ)
STRUCTURAL EQUATION MODELING,

Prof. Imam Ghozali,M.Com, Ph.D
TANYA :

Yth. Prof. Dr. Imam Ghozali, M.Com, Akt.

Nama saya Pandu Winata. Saya seorang mahasiswa ingin bertanya tentang SEM dengan PLS (mohon dijawab). 

1.) Dalam buku bapak disebut bahwa tujuan PLS adalah prediksi. Apa maksudnya dan apa yang diprediksi.?

2.) Kenapa PLS tidak mengasumsikan data berdistribusi tertentu, sedangkan SEM (LISREL) mengasumsikan data berdistribusi normal.?

3.) Apa pengertian weight relation?

4.) Dalam SmartPLS, Algorithm Settings (data metric) memberikan pilihan standardized (mean 0, variance 1) atau original.Dan pada weighting scheme ada 3 pilihan yaitu centroid, factor, dan path. Dalam keadaan bagaimana kita harus menggunakan

Standardized dan original, serta weighting scheme yang mana yang harus digunakan?

5.) Apabila kita mempunyai variabel laten dengan variabel manifes yang diukur dengan kategorik (ordinal): 1=lebih buruk, 2=sama buruk, 3=sama baik, 4=lebih baik. contoh: kita membentuk 3 variabel laten, misal salah satu variabel laten tersebut adalah perkembangan usaha tani dengan variabel manifes: keadaan sumber air, kemudahan

memperoleh benih, pupuk, obat-obatan, tenaga kerja, alat pertanian, gangguan hama dan penyakit, produktivitas lahan, dan kemudahan pemasaran hasil produksi, yang semua variabel manifes tersebut diukur dengan kategorik diatas. Data metric yang mana yang harus digunakan, apakah standardized (mean 0, variance 1) atau original, serta weighting scheme yang mana yang harus digunakan?

6.) Apa arti dari nilai loading sebesar 0,439. Kenapa nilai loading bisa lebih dari satu?

JAWAB:

Pada dasarnya model struktural berasumsi bahwa anda punya model yg dikembangkan berdasarkan teori dan model tsb akan diuji (dikonfirmatori) apakah cocok dengan data empirisnya (jadi berdasarkan sample covariance matrik anda mau mengkonfimarkan model teoritiknya. Jadi sebaiknya untuk menguji SEM harus menggunakan covariance SEM (Amos, Lisrel atau EQS), namun demikian data empiris kita kadang kala tdk mampu menjawab hal ini (krn data yg sedikit, terdistribusi tdk normal, ada multikol dstnya) pokonya data yang ada tdk dapat digankan mengkonfirmasi model. Dalam keadaan seprti ini dan dengan data yg apa adanya anda terpaksa hrs menggunakan PLS, tetapi PLS tdk berpretensi inging menjawab model, hanya dengan data yg ada mencoba memprediksi hubungan seperti apa yg ada pada model jadi lebih bersifat prediktif (inilah kelemahan PLS) 

PLS datanya bisa apa saja nominal, ordinal atau kategori (shng sering disebut soft modeling)sedangkan Covariance SEM data hrs berwujud kontnyus atau interval (disebut hard modeling. Jadi PLS bersifat non-paramerik

Didalam SEM yg harus digunakan adalah nilai koefisien standardized (tanpa konstanta)mengapa krn kita ingin membandingkan antar jalur /path yg ada sehingga hrs

menggunakan nilaio standardized (di PLS dengan pilihan mean=0 dan variance=1)

Nilai loading 0.439 berarti sumbangan indikator terhadap nilai laten variabelnya sebesar 43.9% (jadi menurut PLS nilai loading factor hrs minimal 0.70 kurang dari ini hrs didrop indikatornya) Nilai loading factor bisa lebih dari 1 kalau anda tdk menggunakan nilai standrdized (jadi dengan mean=0 dan variance =1 tdk mungkin nilai loadingh lebih dari 

satu)

TANYA:

Dalam partial least square. Bagaimana prosedur untuk menguji bahwa suatu variable merupakan intervening variabel.

JAWAB:

Salah satu pendekatan untuk menguji hipotesis mediasi adalah dengan strategi product of coefficient, yaitu dengan menguji signifikansi indirect effect (perkalian direct effect variabel independen terhadap mediator , p1 dan direct effect mediator terhadap variabel dependen,p2, sehingga indirect effect adalah p1*p2).

Sejauh yang saya ketahui, belum ada software PLS yang memiliki fasilitas pengujian langsung terhadap indirect effect, sebagaimana AMOS atau LISREL. AMOS dengan prosedur resampling yaitu bootsrapping, sedangkan LISREL dengan Sobel test-nya, meskipun juga menyediakan bootsrapping.

Dengan demikian, pengujian hipotesis mediasional berdasarkan signifikansi indirect effect pada PLS dilakukan secara manual.

Uji signifikansi indirect effect p1*p2 didasarkan pada rasio antara koefisien p1*p2 dengan standard error-nya yang akan menghasilkan nilai z statistik (z-value). Standard error koefisien p1*p2 dihitung berdasarkan versi Aroian dari Sobel test yang dipopulerkan dan direkomendasikan oleh Baron and Kenny (1986), yaitu akar kuadrat (p2^2 Sp1^2 + p1^2 Sp2^2 + Sp1^2 Sp2^2).

Dimana:

p1 adalah koefisien path pengaruh variabel independen terhadap variabel mediasi

p2 adalah koefisien path pengaruh variabel mediasi terhadap variabel dependen

Sp1 adalah standard error dari koefisien path p1

Sp2 adalah standard error dari koefisien path p2

Jika z-value dalam harga mutlak = 1,96 atau tingkat signifikansi statistik z (p-value) = 0,05, berarti indirect effect variabel independen terhadap dependen melalui variabel mediasi, signifikan pada taraf signifikansi 0,05 (Preacher and Hayes., 2004). z-value beserta nilai probabilitasnya (p-value) dapat dihitung menggunakan Excel atau alat hitung interaktif dari Kris Preachers yang terdapat pada http://www.psych.ku.edu/preacher/sobel/sobel.htm. Dengan hanya memasukkan nilai p1, p2 beserta standar error-nya masing-masing maka uji signifikansi dengan Sobel test (bersama varianya) dapat diperoleh. Hasilnya akan sama dengan bila dihitung dengan rumus di atas.

TANYA:

apakah "convergent validity" , "disriminant validity" , "unidimensional"

adakah yang bisa bapak referensikan untuk membantu penulisan tugas akhir saya.

terima kasih yang sebesar-besarnya

JAWAB:

Pertama yg anda lakukan pengujian terhadap outer model (measurement model)

a. Convergent validity: lihat nilai loading factor untuk amsing-masing indikator. Nilai loading hrs diatas 0.70 (pada penelitian pada bidang yg belum berkembang bisa menggunakan 0.5-0.6). Jika ada nilai loading dibawah 0.70 delete dari analisis indikator tsb.

b. Contruct Reliability (sama dengan cronbach alpha mengukur treliabilitas konstruk atau variabel laten) nilainya hrs diatas 0.70 yang diangap reliabil.

c. Average Vrainace Extracted (mengukur validitas) nilainya 0.50

d. Discriminant validity dengan mebandingkan nilai akar dari AVE dengan nilai korelasi antar variabel latent. Nilai akar AVE hrs lebih besar dr korelasi antar variable latent

e. Cross-loading mengukur unidimesionalitas dari variable lantent.

Setelah anda menguji ini semua, lakukan bootstraping atau jacknifing untuk mendapatkan nilai T statistik guna menguji apakah hubungan antar variabel laten signifikan atau tdk.

1. Uji inner model (structural model):

a. Lihat nilai T statistik significan atau tdk

b. lihat nilai R2 uji determinasi atau goodness-fit dari model

TANYA:

Dalam penelitian saya menggunakan PLS diperoleh R square untuk 3

variabel kurang dari 0,4. Structural model dengan nilai kurang dari

0,3. Disisi lain uji validitas instrumen dan reliablitas semuanya

signifikan apa penelitian tersebut masih bermakna?

JAWAB:

R2 0.4 cukup baik karena variabilitas variabel endogen yg dapat dijelaskan oleh variabilitas variabel exogen sebesar 40% . Pada riset dengan data crossection nilia 40% cukup tinggi. Nilai structural model 0.3 merupakan koefieisn regresi yang penting signifikan atau tdk, kalau signikan berarti ada pengaruh Imam Ghozali

TANYA:

Saya ingin menanyakan pertimbangan untuk memilih jumlah sample dan kasus per sampel dalam bootstrapping setting. Demikian juga dalam menentukan jumlah iterasi maksimum dalam algorithm setting.

Dalam buku partial least square karangan prof Imam umumnya menggunakan jumlah sample 100 dan kasus per sampel 50. Sedangkan untuk algorithm setting jumlah iterasi maksimum 500. Apakah angka2 tersebut yang memang sebaiknya yang di gunakan Prof?

Saya membaca beberapa artikel yang menyebutkan bahwa prosedur bootstrapping menggunakan 500 resampling. Apa maksudnya pernyataan tersebut?

Apakah pertimbangan untuk memilih angka-angka tersebut juga dipengaruhi jumlah observasi (jumlah data)?

JAWAB:

Dalam SEM dengan partial least square untuk menentukan signifikan atau tidak hubungan antara variabel dengan melihat nilai t statistik. Besarnya nilai t statistik ini dihitung dengan metode bootstrapping atau jacknife. Nilai t akan stabil kalau jumlah resampling sebesar 500 artinya komputer akan melakukan resampling ulang dari original sample anda sebanyak 500 kali untuk mendapatkan nilai t . Perlu diketahui nilai t ini akan bebeda-beda atar komputer atau kalau anda ulang merun karena menggunakan metode iterasi dan masing-masing komputer memiliki nilai starting yang berbeda, tetapi hasil bootsrap dengan 500 akan memberikan nilai t yg tidak jauh berbeda sehingga dengan kriteria alpha 5% akan konsisten apakah hipotesis diterima atau ditolak. Imam Ghozali