Modification Indices pada SEM Lisrel dan Estimator Selain ML

Modification Indices pada SEM Lisrel dan Estimator Selain Maximum Likelihood (ML)

Artikel ini akan membahas kelanjutan artikel sebelumnya yaitu SEM LISREL: Tutorial dan Panduan Lengkap CB SEM dimana pada artikel tersebut model SEM yang dihasilkan tidak fit pada beberapa kriteria. Maka kali ini akan kita berikan panduan atau toturial untuk melakukan modification indices agar model SEM menjadi fit berdasarkan beberapa kriteria atau acuan model fit. Selain itu juga akan kita jelaskan cara analisis menggunakan estimator selain Maximum Likelihood (ML) ketika ada pelanggaran asumsi normalitas.

Sebelumnya silahkan anda buka terlebih dahulu aplikasi Lisrel dan file kerja serta output yang dihasilkan pada artikel tentan SEM Lisrel sebelumnya: SEM LISREL: Tutorial dan Panduan Lengkap CB SEM.

Modification Indices: Membuat Model Yang Tidak Fit Menjadi Fit Dalam SEM

Output Modification Indices SEM Lisrel

Silahkan anda lihat output bagian Modification Indices pada model Structural!

Output Modification Indices
Output Modification Indices

Berdasarkan hasil analisis sebelumnya diatas, ada beberapa petunjuk yang diberikan oleh Lisrel agar kita dapat meningkatkan nilai fit model kita menggunakan metode modification indices. Yaitu sesuai petunjuk diatas, misalnya dengan membebaskan hubungan covariance antar indikator yang meliputi antara lain hubungan: x1.3 dengan x1.1, x2.2 dengan x2.1, x2.3 dengan x2.1 dan x3.3 dengan y.1.

Sebagai acuan standar yang kita gunakan adalah Chi Square, RMSEA, RMR, SRMR, GFI, AGFI, PGFI, CFI dan IFI. Dimana pada analisis sebelumnya, nilai Chi Square, RMSEA, GFI, AGFI dan PGFI adalah tidak fit. Langkah modification indices disini akan mencoba meningkatkan model fit pada kriteria RMSEA dan GFI. Nilai Chi square, AGFI dan PGFI kemungkinan besar juga dapat meningkat walaupun belum dapat memenuhi kriteria.

Langkah Modification Indices pada SEM Lisrel

Silahkan anda buat SIMPLIS Project baru seperti yang telah dijelaskan caranya dalam tutorial SEM dengan Lisrel sebelumnya. Kemudian ketikkan kode sebagai berikut:

Structural MI 1
Raw Data from file 'D:\Datablog 2024\Tutorial\SEM LISREL\dataset.LSF'
Sample Size = 165
Latent Variables M Y X1 X2 X3
Relationships
x1.1 - x1.3 = X1
x2.1 - x2.3 = X2
x3.1 - x3.3 = X3
m.1 - m.3 = M
y.1 - y.3 = Y
M = X1 X2 X3
Y = X1 X2 X3 M
Set error covarians x1.3 to x1.1 Free
Set error covarians x2.2 to x2.1 Free
Set error covarians x2.3 to x2.1 Free
Set error covarians x3.3 to y.1 Free
Path Diagram
End of Problem

Kode atau syntax diatas ada tambahan antara lain: Set error covarians x1.3 to x1.1 Free, Set error covarians x2.2 to x2.1 Free, Set error covarians x2.3 to x2.1 Free dan Set error covarians x3.3 to y.1 Free. Kode diatas adalah langkah untuk membebaskan hubungan covarians antar indikator yang disebutkan. Misalnya Set error covarians x1.3 to x1.1 Free artinya membebaskan hubungan covarians antara x1.3 dengan x1.1.

Output Hasil Modification Indices

Selanjutnya silahkan klik Run Lisrel untuk melakukan modification indices sesuai syntax yang telah dituliskan diatas. Maka output dalam bentuk diagram yang dihasilkan adalah sebagai berikut:

Output Diagram Model Fit SEM dengan Lisrel
Output Diagram Model Fit SEM dengan Lisrel

Sedangkan output keseluruhan dalam bentuk text adalah sebagai berikut:

Output Modification Indices SEM Lisrel
Output Modification Indices SEM Lisrel

Berdasarkan hasil analisis diatas, tampak bahwa ada perbedaan jika dibandingkan dengan hasil analisis sebelumnya sebelum dilakukan modification indices. Rinciannya adalah sebagai berikut:

Perbedaan Model Fit
Perbedaan Model Fit

Dapat dilihat pada tabel diagram diatas, perbedaan hasil analisis model fit antara kedua model yaitu model sebelum dan sesudah dilakukan modification. Tampak bahwa sebelum dilakukan modification, jumlah parameter yang fit ada 4 sedangkan setelah dilakukan modification berubah menjadi 8 parameter yang fit.

Oleh karena dalam model tersebut diatas, terdapat 8 kriteria yang menunjukkan bahwa model fit maka peneliti dapat menyimpulkan bahwa model yang dibentuk telah memenuhi syarat model fit.

Demikian telah kita jelaskan langkah-langkah dalam tahapan untuk melakukan modification indices pada aplikasi SEM Lisrel agar model memenuhi kriteria Model Fit.

Memilih Estimator Selain Maximum Likelihood (ML) dalam SEM Lisrel

Pada artikel sebelumnya juga disebutkan bahwa model tidak memenuhi syarat normalitas multivariate untuk estimator Maximum Likelihood (ML). Maka metode yang dapat digunakan pada Lisrel adalah menggunakan estimator yang lebih robust atau kebal terhadap pelanggaran asumsi normalitas yaitu antara lain: General Least Square (GLS), Instrument Variable (IV), Two Stage Least Square (TSLS), Unweighted Least Square (ULS), Weighted Least Square (WLS) dan Diagonally Weighted Least Square (DWLS).

Menurut Ferdinan (2006), jika jumlah sampel antara 200 sd 500 menggunakan GLS. Jika 500 sd 2500 menggunakan ULS. Dan jika lebih dari 2500 menggunakan Metode Augmented Distribution Free (ADF).

Cara menggunaka estimator selain ML adalah sebagai berikut: pada console SIMPLIS Project, silahkan anda ketikkan perintah atau syntax kode sebagai berikut:

Structural GLS
SYSTEM FILE from file 'D:\Datablog 2024\Tutorial\SEM LISREL\Structural MI 1.DSF'
Sample Size = 165
Latent Variables M Y X1 X2 X3
Relationships
x1.1 - x1.3 = X1
x2.1 - x2.3 = X2
x3.1 - x3.3 = X3
m.1 - m.3 = M
y.1 - y.3 = Y
M = X1 X2 X3
Y = X1 X2 X3 M
Set the Error Covariance of x1.3 and x1.1 Free
Set the Error Covariance of x2.2 and x2.1 Free
Set the Error Covariance of x2.3 and x2.1 Free
Set the Error Covariance of x3.3 and x2.1 Free
Path Diagram
LISREL OUTPUT: ME=GL
End of Problem

Semua syntax diatas sama halnya seperti kita melakukan estimasi SEM menggunakan ML, namun ada tambahan kode yaitu: “LISREL OUTPUT: ME=GL. Kode tersebut menunjukkan estimator yang digunakan adalah GLS.

Bagaimana menggunakan estimator selain ML dan GLS pada SEM Lisrel? Berikut kami sebutkan semua kodenya di bawah ini sesuai dengan referensi dari situs perusahaan Lisrel itu sendiri: SSCI SENTRAL.

Maximum Likelihood (ML): LISREL OUTPUT: ME=GL

General Least Square (GLS): LISREL OUTPUT: ME=GL

Instrument Variable (IV): LISREL OUTPUT: ME=IV

Two Stage Least Square (TSLS): LISREL OUTPUT: ME=TS

Unweighted Least Square (ULS): LISREL OUTPUT: ME=UL

Weighted Least Square (WLS): LISREL OUTPUT: ME=WL

Diagonally Weighted Least Square (DWLS): LISREL OUTPUT: ME=DW

Demikian cara membuat estimator selain ML di dalam SIMPLIS Project pada Aplikasi SEM Lisrel.

Baca juga: SEM RStudio: Tutorial dan Panduan CB SEM dengan RStudio!

Demikian diatas telah kami jelaskan 2 bahasan utama yaitu bagaimana cara melakukan modification indices dan juga bagaimana melakukan analisis menggunakan estimator selain ML agar robust terhadap pelanggaran asumsi normalitas pada SEM Lisrel.

Daftar Pustaka

Ferdinand, A., 2006, Structural Equation Modeling dalam Penelitian Manajemen Aplikasi Model-Model Rumit Dalam Penelitian Untuk Tesis Magister dan Disertasi Doktor, UNDIP, Badan Penerbit Undip, Semarang.

Ghozali, I. & Fuad. Structural Equation Modeling dalam Penelitian Manajemen. Semarang: Badan Penerbit Universitas Diponegoro; 2005.

Ghozali, Imam. 2014. Structural Equation Modeling, Metode Alternatif dengan Partial Least Square (PLS). Edisi 4. Semarang: Badan Penerbit Universitas Diponegoro.

Hair et al. 2010. Multivariate Data Analysis, Seventh Edition. New Jersey: Pearson Prentice Hall.

Haryono, S., & Wardoyo, P. (2014). Structural Equation Modeling (H. Mintarjda (ed.)). PT. Intermedia Personalia Utama.

Hair Anderson and Tatham Black, 1995, Multivariate Data Analysis, Prentice Hall, USA

Kurniawan, Heri dan Yamin, Sofyan; 2009, Structural Equation Modeling, Belajar Lebih Mudah Teknik Analisis Data Kuesioner dengan AMOS-PLS, Salemba Empat, Jakarta.

MacCallum, R. C., Roznowski, M., & Necowitz, L. B. (1992). Model modifications in covariance structure analysis: The problem of capitalization on chance. Psychological Bulletin, 111(3), 490–504. https://doi.org/10.1037/0033-2909.111.3.490.

Maruyama, G. M. 1998. “Basic of Structural Equation Modeling”. Thousand Oaks: Sage Publications.

Jasa Olah Data Aman Terpercaya

2 KOMENTAR

TINGGALKAN KOMENTAR

Silakan masukkan komentar anda!
Silakan masukkan nama Anda di sini