3.4.2.3 Estimasi
Setelah kita mengetahui bahwa identifikasi dari model just-identified atau over-identified, maka tahap berikutnya kita melakukan estimasi untuk
memperoleh nilai dari parameter-parameter yang ada di dalam model. Seperti yang disebutkan sebelumnya, dalam melakukan estimasi kita
berusaha memperoleh nilai parameter-parameter B, I, Φ, Ψ, Λx, Θ, Λy dan
Θε sedemikian sehingga matrik kovarian yang diturunkan dari model model implied covariance matrix
∑ 0 sedekat mungkin atau sama dengan matrik kovarian populasi yang dari variabel-variabel teramati
∑. Dewasa ini, estimator yang paling banyak digunakan dalam SEM adalah
Maximum Likelihood Estimator MLE. Wijanto;2008 Sebelum kita melanjutkan ketahap berikutnya, yaitu uji kecocokan,
sebaiknya kita memeriksa hasil estimasi terhadap kemungkinan adanya offending estimates nilai-nilai estimasi yang melebihi batas yang dapat
diterima. Beberapa offending estimates yang sering ditemui adalah Hair et al, 1998 dalam Wijanto, 2008;48 : 1 negatif error variance atau
nonsignificant error variances untuk konstruk-konstruk yang ada, 2 standardized coefficient melebihi atau sangat dekat dengan 1, atau 3
standard error yang berhubungan dengan koefisien-koefisien yang diestimasi mempunyai nilai sangat besar.
Dalam hal negative error variances juga dikenal sebagai Heywood cases terjadi, maka salah satu cara memperbaikinya adalah dengan
menetapkan error variances tersebut ke nilai positif yang sangat kecil
Hak Cipta © milik UPN Veteran Jatim : Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan dan menyebutkan sumber.
misalnya 0,005 atau 0,01. Jika korelasi dalam solusi standar melebihi nilai 1 atau dua estimasi berkolerasi tinggi, maka kita perlu mempertimbangkan
untuk mengeleminasi salah satu. Dalam banyak hal, keadaan diatas sebagai akibat dari model yang dibentuk tanpa justifikasi teori yang mencakupi atau
modifikasi dilakukan hanya berdasarkan pertimbangan empiris Hair et al, 1998 dalam Wijanto, 2008;48.
3.4.2.4 Uji Kecocokan
Kategori