UJI
KECOCOKAN/KELAYAKAN STRUCTURAL EQUATION MODELLING/SEM
(Absolute Fit
Measures, Incremental Fit Measures dan Parsimony Fit Measures)
Siang sobat semuaaa.. Apa kabarnya nih
soob? Moga sehat, sukses dan luar biasa ya sooob.. Amiiiin.. Oke deh, setelah
sebelumnya kita udah bahas tentang pemahaman konsep awal metode analisis SEM (measurement & structural model dan
prosedur analisis SEM dengan software Lisrel), maka kali ini kita bakal
ngelanjutin lagi dengan uji kecocokan/kelayakan model SEM. Yaap langsung aja
soob tanpa basa-basi kita masuk ke topik bahasan hehehe...
Sebenarnya ada beberapa langkah untuk
menguji layak tidaknya suatu model SEM. Pertama, kita bisa uji dengan memperhatikan
apakah ada nilai taksiran yang rusak atau everything
gonna be alright hehehe... Nilai rusak ini bisa terjadi pada bagian structural model atau bagian
measurement model. Umumnya, identifikasi suatu kerusakan nilai taksiran bisa dilihat
dari nilai varians
error yang bernilai negative, nilai standardized (loading
factor) yang lebih besar atau terlalu mendekati 1 dan standard error yang dihasilkan sangat besar.
Nah,
selanjutnya kita bisa melakukan uji kecocokan sebuah model dari sisi fit
indicesnya. Fit indices dalam analisis model SEM bisa diurai jadi tiga bagian
nih soob yaitu absolute fit measures, incremental fit indices dan parsimony fit
indices. Ayoo kita bahas satu per satu dulu yaaa..
Absolute Fit Measures
Nah, untuk absolute fit measures ini sebenarnya
ada beberapa hal yang bisa menjadi acuan untuk uji kelayakannya namun yang
umumnya mutlak harus terpenuhi adalah nilai RMSEA dan nilai Likelihood Ratio
Chi Square Statistics. Ayoo kita masuk ke pembahasan acuan absolute fit
measures dulu yaaa..
Ø Likelihood Ratio Chi Square Statistics (LRCS)
Nah, LRCS ini
adalah alat ukur yang paling penting dalam menguji model
keseluruhan. Nilai Chi Square yang besar (sifatnya relatif terhadap derajat kebebasan) menunjukkan adanya perbedaan antara matrik input terhadap
matrik hasil estimasi (matrik input
bisa korelasi atau kovarians).
Biasanya peneliti lebih memilih
matriks korelasi dibandingkan matriks kovarians. Jika dalam penelitian sobat
pakai beberapa variabel yang punya satuan yang berbeda-beda katakanlah upah
gaji (rupiah) dan jumlah tenaga kerja (orang), maka kondisi perbedaan satuan
akan membuat perbedaan rentang varians kovarians yang besar.
Naaah, kalau sobat
pakai input matriks kovarians, maka dalam program/software yang menjadi
prioritas utama adalah yang memiliki variabel-variabel dengan varians kovarians
yang besar sedangkan variabel lainnya diabaikan padahal variabel-variabel yang
memiliki varians kovarians tersebut belum tentu baik menggambarkan hubungan
dalam model setelah dikaitkan kembali dengan teori-teori yang membangun model. Inilah
alasan bagi banyak peneliti untuk menggunakan matriks korelasi sebagai matriks
input untuk model SEM.
Yaaap lanjut lagi
deh.. Naaah p- value dari statistic chi square
diharapkan lebih besar dari 0,05 ya
sooob.. Ketentuan ini bisa sobat baca di berbagai literatur SEM yang salah
satunya adalah buku Econometrics karangan Hair,et al. Jika nilai statistik Chi
Squarenya lebih dari 0,05 berarti uji
statistik chi square tidak signifikan, kita akan menerima hipotesis nol dan
menyimpulkan bahwa model sudah fit dengan data. Naah, bila uji chi square sudah tidak signifikan, ini berarti bahwa matrik input dengan
matrik hasil estimasi tidak berbeda
sehingga model yang sobat nanti ajukan sudah cocok/fit dengan data.
Next, kita bicara tentang kekurangan dari statistic chi square. Dari rumus kita bisa lihat bahwa nilai statistik chi square ini masih dipengaruhi oleh jumlah sample yang terlalu besar atau terlalu kecil atau dengan kata lain
statistic chi square sensitif terhadap jumlah sampel. Kalau
jumlah sampel terlampau besar, maka akan menaikkan nilai statistik chi square
sehingga nilainya semakin lebih besar dari nilai chi square tabel. Resikonya peluang
untuk menolak hipotesis nol (model tidak fit) menjadi semakin besar. Jadi,
dalam buku Hair et al, disarankan jumlah sampel efektif berkisar antara
100 sampai 200. Yaap sampai disini
saya harap sobat masih bisa ngikutin yaa hehehe..
Ø Noncentrality and Scaled Noncentrality Parameter
Noncentrality Parameter (NCP) dan
Scaled Noncentrality Parameter (SNCP) adalah dua ukuran statistik yang
sebagai alternatif dalam mengatasi kelemahan statistic
chi square. Tidak ada acuan yang pasti mengenai nilai NCP untuk mengatakan
bahwa model yang diujikan cocok, hanya saja beberapa literatur menyatakan bahwa semakin
kecil nilai NCP dan SNCP maka akan semakin baik.
Ø Goodness of fit Index (GFI)
GFI juga merupakan sebuah nilai yang
disediakan Lisrel, sama halnya dengan
NCP dan SNCP, GFI tidak memiliki acuan signifikansi. Akan tetapi sebuah model
dikatakan sudah fit terhadap data bila nilai GFI mendekati 1 dan buruk apabila mendekati 0.
Ø Root Mean Square Residual (RMR)
RMR adalah akar dari rata rata kuadrat error yang menunjukan
besar perbedaan antara matrik input dengan matrik hasil estimasi. Nilai RMR yang lebih kecil dari 0,05 dikatakan sudah menunjukkan kalau model sudah fit
Ø Root mean Square Error of Approximation (RMSEA)
RMSEA adalah ukuran statistik yang wajib dipenuhi dalam uji kecocokan model. Nah,
nilai RMSEA dikatakan
bagus bila
nilainya lebih kecil dari 0.05, reasonable
jika lebih kecil dari 0.08 dan di
luar nilai itu RMSEA buruk dan belum terpenuhi untuk uji absolute fit
indices/measurenya.
Incremental Fit Measures
Next, setelah kita bahas tentang uji
absolute fit, kita masuk ke ukuran tambahan (incremental fit indices/measure).
Jika beberapa dari ukuran incremental ini terpenuhi, maka umumnya dikatakan
bahwa uji kecocokan model dengan incremental sudah terpenuhi sooob
hehehe..Apa-apa aja tuh ukuran-ukuran dalam incremental fit? Naah, mari kita
bahas satu per satu ya sooob..
Ø Adjusted Goofness of fit Index (AGFI)
AGFI merupakan statistik GOF yang mirip dengan
GFI, perbedaanya bahwa AGFI ini sudah
disesuaikan dengan nilai derajat bebasnya. Model dengan
nilai AGFI minimal 0.9 dapat dikatakan sebagai model yang baik.
Ø Non Normed Fit Index (NNFI / Tucker Lewis Index)
NNFI adalah nilai yang membandingkan
model yang sedang kita uji dengan null modelnya. Model dikatakan baik bila nilai NNFI nya minimal 0.9
Ø Normed Fit Index (NFI)
NFI hampir mirip dengan NNFI, hanya
saja untuk NFI
ini memiliki
rentang dari 0 hingga 1, nilai NFI yang mendekati 0,9 mengindikasikan model
yang baik.
Naaah, selain
beberapa statistik untuk incremental fit, ada juga beberapa
statistic GOF lainya, yaitu Relatife Fit Index (RFI), Incremental Fit Index
(IFI), dan comparative Fit Index (CFI). Ketiga statistic tersebut menunjukan
perbandingan antara model yang diuji dengan model null, dengan rentang nilai 0
hingga 1 dan
model dikatakan baik bila nilai mendekati 0,9.
Parsimonious Fit Measures
Selanjutnya kita masuk ke bagian uji
kecocokan model dari sisi kesederhanaan model. Nah, jika salah satu dari ukuran
parsimonious fit ini sudah terpenuhi, maka model dikatakan sudah fit. Apa aja
ukuran-ukuran statistiknya? Yaap ayoo kita bahas satu per satu sooob hehehe..
Semangaaat..
Ø Parsimonious Normed Fit Index (PNFI)
Nilai PNFI sebenarnya adalah nilai
NFI yang sudah dimodifikasi/diutak atik.
Pada PNFI, perludiperhatikan nilai derajat kebebasan yang digunakan untuk mencapai
kecocokan model. Semakin besar nilai PNFI, maka model menjadi semakin baik.
Nilai PNFI juga dapat digunakan untuk tujuan
membandingkan dua model. Jika selisih/perbedaannya mencapai 0.06 sampai 0.09, maka dikatakan perbedaan kedua model tersebut
signifikan.
Ø Parsimonious Goodness of fit Index (PGFI)
PGFI memodifikasi nilai GFI yaitu dengan
memperhatikan berapa jumlah/banyaknya variabel laten yang dibentuk dalam model. Nilai PGFI
berada dalam rentang 0 sampai 1. Nilai yang lebih tinggi menunjukan model yang
baik.
Ø Akaike Criterion Information (AIC) dan Consistent AIC (CAIC)
AIC dan CAIC digunakan kalau kita bertujuan untuk membandingkan beberapa model dimana nilai yang lebih
kecil menunjukan model yang lebih baik. Sebuah model dikatakan baik bila nilai
model AIC lebih kecil daripada nilai independent AIC dan
Saturated AIC. Aturan main yang sama juga berlaku untuk CAIC
Nah, karena tadi saya sudah bahas
gambaran ukuran-ukuran statistik untuk absolute fit measure, incremental fit
measure dan parsimony fit measures, maka kalau sobat ingin mendalami kembali ukuran-ukuran
statistik dengan penurunan rumus-rumus yang relatif rumit, maka saya sarankan
sobat membaca berbagai working paper atau mencari buku-buku yang mengupas lebih
dalam jenis-jenis ukuran statistik ini hehehe...
Oiya satu hal yang lagi yang
perlu sobat pahami bahwa analisis dengan SEM tidak concern kepada model yang terbentuk (koefisien-koefisien model)
tetapi lebih ke arah terbukti tidaknya teori-teori yang sudah kita pakai dalam
membangun hipotesis di dalam kasus yang terjadi dalam penelitian kita.
Yaaap, sampai disini dulu ya sooob bahasan
tentang uji goodness of fit pada model SEMnya. Silahkan sobat baca pelan-pelan
dulu dan pahami dulu berbagai fit indices measurement yang sudah dipaparkan di
atas. Tetap semangat dan jangan patah semangat yaa hehehe.. Selalu ada jalan
kalau kita mau berusaha.. Harus selalu punya semangat untuk bisa... Oke deeh,
tetap kunjungi blog kita ini karena masih banyak analisis yang akan kita kupas
dalam blog ini,, Semoga bermanfaat.. Salam damai, salam sukses dan tetap jaya :)