perubahan pada indikator?
2. Interchangeability antar
indikator a.
Haruskah indikator memiliki content yang
sama? b.
Apakah indikator share common theme?
c. Apakah dengan
menghilangkan satu indikator akan merubah
makna konstruk? 3.
Covariance antar indikator a.
Apakah perubahan satu indikator berhubungan
dengan perubahan indikator lainnya
b. Nomological dari
konstruk indicator c.
Apakah indikator diharapkan memiliki
antesenden dan konsekuen yang sama?
perubahan pada indikator 2.
Indikator tidak interchangeable
a. Indikator tidak harus
memiliki konten yang sama atau mirip
b. Indikator tidak perlu
share common theme c.
Menghilangkan satu indikator akan mengubah
makna konstruk 3.
Tidak perlu adanya kovariansi antar indicator
a. Tidak harus
b. Nomological net
indikator mungkin berbeda
c. Indikator tidak perlu
menggunakan anteseden dan konsekuen yang
sama pada indikator
2. Indikator harus
interchangeable a.
Indikator harus memiliki konten yang sama atau
mirip b.
Indikator harus share common theme
c. Menghilangkan satu
indikator tidak akan mengubah makna
konstruk 3.
Indikator diharapkan memiliki kovariansi satu
sama lainnya a.
Harus
b. Nomological net
indikator tidak harus berbeda
c. Indikator harus
menggunakan anteseden dan konsekuen yang
sama
2.4.4 Metode Partial Least Square PLS
Partial least square merupakan factor indeterminacy, metode analisis yang powerfull oleh karena tidak mengasumsikan data harus
dengan pengukuran skala tertentu, jumlah sampelnya pun kecil. Secara filosofis, perbedaan antara covariance based SEM dengan covarian
based PLS adalah tujuan penggunaan model struktural untuk menguji teori atau pengembangan teori untuk tujuan prediksi. Pada situasi
dimana ada teori sebagai dasar yang kuat dan pengujian teori atau pengembangan teori sebagai tujuan utama riset, maka metode
covariance based maximum likelihood atau generalized partial least square lebih sesuai. Namun demikian, adanya indeterminansi dari
estimasi factor score maka akan kehilangan ketepatan prediksi. Tujuan prediksi, pendekatan PLS lebih cocok. Pendekatan PLS,
diasumsikan bahwa semua ukuran variance adalah variance yang berguna untuk dijelaskan. Oleh karena pendekatan untuk mengestimasi
variabel laten dianggap sebagai kombinasi linear dari indikator maka menghindarkan masalah indeterminasi dan memberikan definisi yang
pasti dari komponen skor. PLS memberikan model umum yang Lanjutan Tabel 3
meliputi teknik korelasi kononikal, redundancy analysis, regresi berganda, multivariate analysis of variance MANOVA dan principle
component analysis. Oleh karena PLS menggunakan iterasi algoritma yang terdiri dari seri analisis ordinary least squares maka persoalan
identifikasi model tidak menjadi masalah untuk model recursive, juga tidak mengasumsikan bentuk distribusi tertentu untuk skala ukuran
variabel. Lebih jauh lagi jumlah sampel dapat kecil dengan perkiraan kasar yaitu 1 sepuluh kali skala dengan jumlah terbesar dari indikator
kausal formatif catatan skala untuk konstruk yang didesain dengan reflektif indikator dapat diabaikan, 2 sepuluh kali dari jumlah
terbesar structural path yang diarahkan pada konstruk tertentu dalam model struktural.
PLS sebagai model alternatif dari CBSEM. Menurut Joreskog dan Wold Ghozali, 2008, maximum likelihood berorientasi pada teori
dan menekankan transisi dari analisis exploratory ke confirmatory. PLS dimaksudkan
untuk causal-predictive
analysis dalam
situasi kompleksitas yang tinggi dan dukungan teori yang rendah.
2.4.5 Cara Kerja Partial Least Square PLS