361
c. Outliers
Outliers adalah observasi yang muncul dengan nilai-nilai ekstrim baik secara univariat maupun multivariate yaitu yang muncul
karena kombinasi karakteristik unik yang dimilikinya dan terlihat sangat jauh berbeda dari observasi-observasi lainnya, dan ini bisa
mengganggu pada saat analisis data.
d. Multikolinearitas dan singularitas
variabel yang saling berhubungan akan menyebabkan hasil yang bias sebaiknya data tidak ada multikolinearitas dan singularitas.
Bila ada sebaiknya data dikeluarkan, atau alternative lain adalah data tersebut dibuat
‘composit variabels’, dan variabel komposit dapat di analisis lebih lanjut. Multikolinearitas dapat di deteksi dari
determinan matriks kovarian. Nilai determinan matriks kovarian yang sangat kecil memberikan indikasi adanya problem
multikolinearitas.
15.2.5.
Langkah-langkah SEM
Sebuah pemodelan SEM yang lengkap pada dasarnya terdiri dari Measurement berdasarkan indicator-indikator empirisnya.Model dan
Structural Model. Model pengukuran ditujukan untuk mengkorfimasi sebuah dimensi atau faktor berdasarkan indicator-indikator empirisnya.
Struktural Model adalah model mengenai struktur hubungan yang membentuk atau menjelaskan kausalitas antar faktor.
1. Pengembangan Model Konsep dan Teori
Model Hipotetik = Model Konseptual = Model Teoritis Hubungan kausalitas sebab-akibat antara variabel eksogen variabel
bebas, independent dan variabel endogen variabel tergantung, variabel dependent. Dengan demikian landasan teorinya harus kuat
362
untuk dapat menjelaskan Model Hipotetik tersebut. Salah satu aspek kritis dalam hal ini adalah “Spesifikasi variabel”, terutama variabel
prediktif. Untuk kepentingan praktis analisis data dan interpretasinya,
maka seyogyanya banyaknya variabel tidak lebih dari 20.
2. Konstruksi Diagram Lintasan
Diagram ini sangat bermanfaat untuk menunjukkan alur-alur lintasan kausalita antar variabel yang secara teoritis layak
Hubungan kausalita : Simbol panah satu arah Hubungan korelasional : Simbol panah bolak-balik
Gambar 4. Diagram Lintasan 3.
Konversi Diagram Lintasan menjadi Model Struktural
363
Gambar 5. Ilustrasi path model SEM 4.
Memiliki Matriks Input
Input data untuk SEM dapat berupa: 1. Matriks korelasi, atau
2. Matriks peragam, kovarians Matriks korelasi, digunakan kalau:
1. Tujuannya ingin membuktikan hubungan kausalitas antar variabel 2. Lintasan mana saja yang pengaruhnya dominan
3. Variabel eksogen mana saja yang pengaruhnya dominan terhadap
variabel endogen
Matriks Peragam, digunakan kalau: 1. Tujuannya menguji model hipotetik yang secara teoritis sudah
layak 2. Serupa dengan analisis regresi
3. Model yang diperoleh dapat digunakan untuk prediksi 4. Model yg diperoleh dapat untuk menjelaskan fenomena yang
dikaji
5. Menilai Masalah Identifikasi
Problematik pendugaan parameter: 1. Un-identified atau under identified
2. Over identified
Gejala yg muncul akibat dari adanya “masalah identifikasi”: a. Adanya standard error yang terlalu besar
b. Matriks informasi tidak dapat disajikan sebagaimana mestinya
364
c. Nilai penduga parameter tidak dapat diperoleh d. Muncul angka nilai yang aneh
e. Adanya koefisien korelasi yg tinggi 0.9 antar koefisien hasil pendugaan
Cara mengatasinya: 1. Landasan teori yang digunakan untuk menyusun Model
Hipotetik harus benar-benar „bagus”
2. Menambah atau mengurangi variabel laten, disesuaikan dengan landasan teorinya
3. Iterasi dalam pendugaan model dengan menetapkan “kendala” pada model, misalnya salah satu atau beberapa
parameter model dianggap “fixed”
6. Evaluasi Goodness of fit
Kategori