3. METODE PENELITIAN
3.1. Kerangka Pemikiran
Teori Manajemen Risiko memeberikan beberapa penjelasan mengenai penggunaan derivatif sebagai sarana hedging oleh perusahaan-perusahaan untuk mengurangi fluktuasi arus kas, laba maupun nilai perusahaan. Pada hakekatnya perusahan beroperasi di pasar tidak sempurna, dan teori manajemen risiko yang telah berkembang sampai saat ini menggunakan ketidaksempurnaan pasar untuk menerangkan motif perusahaan melakukan hedging. Ketidaksempurnaan pasar yang disebutkan dalam literatur antara lain adalah ; pajak penghasilan korporasi (corporate income taxes), biaya-biaya transaksi, termasuk biaya kepailitan (bankcruptcy cost) dan biaya keagenan (agency costs), serta asimetri informasi (information asymmetry).
Penyusunan kerangka konseptual dalam penelitian ini diawali dari adanya risiko nilai tukar yang dihadapi perusahaan. Risiko nilai tukar terbagi menjadi tiga jenis yaitu transaction exposure, translation exposure dan economic exposure. Ketiga jenis exposure ini mendorong perusahaan untuk mengambil kebijakan hedging melalui keputusan memakai instrumen derivatif atau tidak. Dari sumber data akan diperoleh dua jenis kelompok perusahaan terkait dengan keputusannnya melakukan hedging dan tidak. Selanjutnya, aktifitas hedging perusahaan akan dikelompokkan sesuai dengan instrumen hedging yang digunakan oleh masing-masing perusahaan.
Untuk memperoleh keterkaitan antara kebijakan hedging dan nilai perusahaan, dilakukan analisis lebih lanjut dengan menggunakan Structural Equation Modelling (SEM). SEM merupakan teknik analisis multivariat yang menggabungkan model pengukuran (analisis faktor konfirmatori) dengan model struktural.
Kerangka penelitian ini adalah sebagaimana disajikan pada Gambar 7. berikut
Gambar 7. Kerangka pemikiran Input Data dan Informasi : Kurs USD Quick ratio Tingkat Ekspor DER
Harga Saham Kebijakan Hedging Total Asset MBR
Total Liability Q-Tobin Risiko Fluktuasi Nilai Tukar
Perdagangan Internasional
Faktor Berpengaruh Yang dapat dikontrol
:kebijakan hedging
Faktor Berpengaruh Yang tidak dapat dikontrol : Inflasi, kurs, suku bunga antar negara Studi Literatur Data Sekunder
Proses Metodologi dan Analisa: • Regresi
• Stuctural Equation Modelling (SEM)
OUTPUT: Model SEM Pengaruh
Kebijakan Hedging
OUTCOME: Kebijakan Hedging mempengaruhi nilai perusahaan
IMPACT:
Penggunaan instrumen derivatif untuk hedging risiko nilai tukar Feedback:
3.2.Perumusan Hipotesis
Hipotesis 1 (H1) : Return saham perusahaan secara signifikan signifikan terkena economic exposure.
Hipotesis 2 (H2) : Terdapat hubungan antara economic exposure dengan kebijakan hedging
Hipotesis 3 (H3) : Terdapat hubungan antara Financial Distress dengan kebijakan hedging
Hipotesis 4 (H4) : Terdapat hubungan antara Underinvestment Cost dengan kebijakan hedging
Hipotesis 5 (H5) : Terdapat hubungan antara kebijakan hedging dengan nilai Perusahaan
3.3. Metode Penelitian
Penelitian ini merupakan penelitian eksplanatori yakni menganalisis hubungan kausalitas di antara variabel-variabel penelitian dan melakukan pengujian hipotesis. Berdasarkan metode eksplanasi ilmu, penelitian ini merupakan penelitian yang menguji hipotesis dengan cara membangun hipotesis dan menguji secara empirik hipotesis yang dibangun tersebut.
Dilihat dari aspek pengumpulan datanya, penelitian ini adalah penelitian pengamatan (observasional), sebab sifat data berupa bahan yang hanya dapat diobservasi dan tanpa berusaha mendapatkan tanggapan dari pihak lain, dan data penelitian ini berupa peristiwa yang sudah terjadi pada waktu yang lalu.
3.4. Jenis dan Sumber Data
Data yang digunakan adalah data sekunder dan diperoleh melalui studi dokumentasi yang bersumber dari Bank Indonesia, Bursa Efek Indonesia, dan Indonesian Capital Market Directory (ICMD) yang diterbitkan oleh Institute for Economics and Financial Research (ECFIN).
Sampel dalam penelitian adalah Perusahaan-perusahaan yang termasuk dalam Sektor Primer dan Sekunder yang terdaftar di Bursa Efek Indonesia. Adapun kriteria yang digunakan dalam pengambilan sampel penelitian adalah:
1. Perusahaan sektor primer dan sekunder yang masih aktif di Bursa Efek Indonesia selama periode penelitian, yaitu tahun 2007-2011
2. Perusahaan yang tidak mengalami delisting selama periode penelitian 3. Perusahaan yang aktif mengeluarkan laporan keuangan dan telah
dipublikasikan dengan dasar periode tahun kalender berakhir 31 Desember serta memilik komponen yang dipergunakan dalam penghitungan rasio keuangan.
Berdasarkan kriteria di atas, ukuran sampel yang diperoleh adalah 930 observasi yang berasal dari 186 perusahaan yang mencakup periode tahun 2007-2011, dimana masing-masing perusahaan memiliki jumlah observasi yang sama. Sampel Perusahaan pada penelitian ini disajikan pada Lampiran 1.
Jumlah perusahaan Sektor Primer dan Sekunder yang terdaftar di BEI pada tahun 2007-2011 sebanyak 275 perusahaan, terdiri dari 26 sub industri. Jumlah sampel perusahaan yang diambil dari setiap sub industri disajikan pada Tabel 3. Tabel 3 Jumlah perusahaan dan sampel perusahaan pada sektor industri primer dan sekunder
No. Sektor Industri Jumlah
Perusahaan Jumlah sampel 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Agriculture, Forestry & Fishing Animal Feed & Husbandry Mining & Mining Services Constructions
Food & Beverages Tobacco Manufacturers Textile Mill Products
Apparel & Other Textile Products Lumber & Wood Products
Paper & Allied Products Chemical & Allied Products Adhesive
Plastics & Glass Products Cement
Metal & Allied Products Fabricated Metal Products
Stone, Clay, Glass & Concrete Products Cables
Electronic & Office Equipment Automotive & Allied Products Photographic Equipment 11 7 24 11 23 4 10 16 5 7 9 4 17 3 15 2 5 6 5 21 3 7 5 10 2 15 3 8 13 3 5 8 4 12 3 12 2 5 6 3 19 3 Sumber :ICMD, data diolah 2012
Lanjutan Tabel 3
No. Sektor Industri Perusahaan Jumlah Jumlah sampel 22 23 24 25 26 Pharmaceuticals Consumer Goods Transportation Services Telecommunication Whole Sale & Retail Trade
10 3 16 8 30 9 2 10 2 14 Jumlah Perusahaan 275 186
Sumber :ICMD, data diolah 2012
3.5. Variabel Penelitian 3.5.1. Klasifikasi Variabel
Klasifikasi variabel pada penelitian ini dapat dilihat dari dua sudut pandang. Dilihat dari sudut pandang pembentukannya, variabel penelitian ini diklasifikasi atas variabel indikator dan variabel laten. Variabel indikator adalah variabel yang datanya harus dicari melalui penelitian lapangan. Variabel indikator disebut juga dengan variabel terukur (measured variable), variabel observasi (observed variable), atau variabel manifestasi (manifest variable). Variabel laten adalah faktor, yaitu sebuah variabel bentukan yang dibentuk melalui indikator-indikator yang diamati dalam dunia nyata. Nama lain dari variabel laten adalah variabel konstrak (construct variable) atau variabel non-observasi (unobserved variable) (Ferdinand 2000).
Dilihat dari sudut pandang hubungannya, variabel penelitian ini diklasifikasi atas variabel terikat (dependent variable) dan variabel bebas (independent variable).
1. Variabel Terikat (Dependent Variable)
Variabel terikat adalah variabel yang diprediksi terbentuk sebagai akibat dari pengaruh variabel bebas, dengan kata lain variabel terikat adalah fungsi dari variabel bebasnya. Pada penelitian ini ada dua variabel laten terikat, yaitu variabel Kebijakan Hedging (HEDG) dan Nilai Perusahaan (VALUE). Variabel VALUE adalah variabel terikat akhir pada analisis jalur, sedangkan variabel HEDG adalah variabel terikat antara pada analisis jalur. Variable laten VALUE dibentuk oleh empat variabel indikator, yaitu Market Book Ratio (MBR), Q-Tobin (TOB), Return on Equity (ROE) dan harga saham (PRICE). Sedangkan Variabel Laten
HEDG dibentuk oleh empat variabel indikator yaitu variabel Firm Size (SIZE), Dividend Yield (DY), Dummy Hedging (DH) dan Quick Ratio (QR).
2. Variabel Bebas (independent variable)
Variabel Bebas adalah variabel yang diprediksi mempunyai pengaruh terhadap terbentuknya variabel terikat. Pada penelitian ini ada empat variabel laten bebas, yaitu variabel Kebijakan Hedging (HEDG), Economic Exposure (EXP), Financial Distress (FD), dan Underinvestment Cost (UC). Variabel Kebijakan Hedging (HEDG) juga merupakan variabel terikat dari variabel Economic Exposure (EXP), Financial Distress (FD), dan Underinvestment Cost (UC). Variabel laten EXP dibentuk oleh tiga variabel indikator Dummy Economic Exposure (DEE), Export Ratio (ER) dan Current Ratio (CR). Variabel laten FD dibentuk oleh tiga variabel indikator yaitu Debt Equity Ratio (DER), Return on Asset (ROA) dan Liabilities (TL). Sedangkan Variable laten UC dibentuk oleh dua variabel indikator yaitu Price Earning Ratio (PER) dan Market Value (MV). 3.5.2. Definisi Operasional Variabel
Variabel penelitian ini terdiri dari lima variabel laten dan 15 variabel indikator. Variabel indikator adalah variabel yang diobservasi, sedang variabel laten adalah variabel yang tidak diobservasi, melainkan dibentuk oleh variabel indikatornya. Hubungan variabel laten dengan variabel indikatornya ditandai dengan anak panah satu ujung dari variabel laten ke variabel indikatornya pada pembentukan measurement model (model pengukuran). Hubungan variabel laten terikat (endogen) dengan variabel laten bebas (eksogen) ditandai dengan anak panah satu ujung dari variabel laten bebas (eksogen) ke variabel laten terikat (endogen) pada pembentukan model struktural (structural model). Tabel 4. menunjukkan variabel laten, variabel indikator dan sumber rujukan yang diambil. Definisi Operasional variabel penelitian ini adalah sebagai berikut:
43
Tabel 4 Operasionalisasi variabel penelitian No
Variabel laten Variabel Indikator Form ula Rujukan 1
Economic Exposure (EXP)
Dummy Econ omic Exposure (DEE) 1= signifikan terkena economic exposure 0= tidak signi fikan terkena economic exp osure Kurniawati (2005) Export Ratio (ER) 100 % Chiang (2007), Kurniawati (2005) Current Ratio (CR) Clark (2006) 2 Financial Distre ss (FD) Return on As set (ROA) 1 00 % Suriawinata (2004), Alay annis, Ofek (2001)
Debt Equity Ratio
(DER) 100% Kurniawati (2005) Liabilities (TL) Total Kewajiban Kurniawati (2005) 3 Underinvest ment Cost (UC)
Price Earning Ratio (PER)
Berk m an Bad burr y (1 996), Kurniawati (2005) Market Value (MV) Harga saham x jum
lah lembar saham
beredar Graham , Rog ers (2001), Allay annis, O fek (2001) 4 Kebijakan Hedging (HEDG) Dummy H edging (DH) 1 = melakukan hedgi ng 0 = tidak m elakukan hedgi ng Allay annis et al (20 01),Bartram et al (200 4), Suriawinata (2004)
Firm Size (SIZE)
Ln (Total Akt iva) Graham , Rog ers (2001), Allay annis, O fek (2001)
44 Lanjutan Tabel 4 No Variabel laten Variabel Indikator Form ula Rujukan
Dividend Yield (DY)
100% Bartram et al (2007) Nance et al (1993), Allayannis et al (2001), Mardsen Prevost (2005) Quick Ratio ( Q R) 100% Borokovich et al (2004), Triki (2005), Kurniawati (2005) 5 Nilai Perusahaan (VALUE) Q-Tobin (TOB) Allayannis et a l (2001), Bartram et al (2007), Graham Rogers (2002), Mian (1996), Nance et al (1993) Market to B ook Value Ratio (MBR) 100% Clark et a l(2005), Suriawinata (2004) Return on E quity (ROE)
3.6. Metode Analisis Data
Berdasarkan rancangan penelitian yang ada, maka penelitian ini menggunakan model analisis SEM (Structure Equation Modelling). Model SEM merupakan suatu teknik statistik yang mampu menganalisis variabel laten, variabel indikator dan kesalahan pengukuran secara langsung. Dengan SEM dapat dianalisis hubungan antara variabel laten dengan variabel indikatornya, hubungan antara variabel laten yang satu dengan variabel laten yang lain, juga mengetahui besarnya kesalahan pengukuran. Di samping hubungan kausal searah, SEM juga memungkinkan kita menganalisis hubungan dua arah yang sering kali muncul dalam ilmu sosial.
Variabel indikator pada penelitian ini menggunakan data yang diambil dari sampel perusahaan. Karena indikator dalam penelitian ini merupakan indikator reflektif atau indikator efek, yaitu indikator yang dianggap dipengaruhi oleh konstruk laten, atau indikator yang dianggap merefleksikan atau merepresentasikan konstruk laten maka penelitian ini menggunakan program LISREL .
3.6.1. Prosedur SEM
Menurut Wijanto (2008), secara umum ada lima tahap dalam prosedur SEM, yaitu spesifikasi model, identifikasi model, estimasi model, uji kecocokan model, dan respesifikasi model; berikut penjabarannya.
1. Spesifikasi Model (Model Spesification)
Pada tahap ini, spesifikasi model yang dilakukan oleh peneliti meliputi:
a. mengungkapkan sebuah konsep permasalahan peneliti yang merupakan suatu pertanyaan atau dugaan hipotesis terhadap suatu masalah.
b. mendefinisikan variabel-variabel yang akan terlibat dalam penelitian dan mengkategorikannya sebagai variabel eksogen dan variabel endogen.
c. menentukan metode pengukuran untuk variabel tersebut, apakah bisa diukur secara langsung (measurable variable) atau membutuhkan variabel manifest (manifest variabel atau indikator-indikator yang mengukur konstrak laten).
d. mendefinisikan hubungan kausal struktural antara variabel (antara variabel eksogen dan variabel endogen), apakah hubungan strukturalnya recursive (searah, X →Y) atau nonrecursive (timbal balik, X ↔Y) .
e. langkah optional, yaitu membuat diagram jalur hubungan antara konstrak laten dan konstrak laten lainnya beserta indikator-indikatornya.
Langkah ini dimaksudkan untuk memperoleh visualisasi hubungan antara variabel dan akan mempermudah dalam pembuatan program LISREL.
Gambar 8. Rancangan diagram jalur penelitian 2. Identifikasi Model (Model Identification)
Untuk mencapai identifikasi model dengan kriteria over-identified model (penyelesaian secara iterasi) pada program LISREL dilakukan penentuan sebagai berikut: Kebijakan Hedging Nilai Perusahaan MBR Q Tobin ROE Dummy Hedging Dividend Yield Firm Size Quick Ratio Price Financial Distress (FD) Underinvestm ent Cost (UC) Economic Exposure(EX Dummy Economic Export Ratio (ER) DER ROA Liabili ties PER Market Value(MV) Current Ratio (CR)
a. untuk konstrak laten yang hanya memiliki satu indikator pengukuran, maka koefisien faktor loading (lamda, λ ) ditetapkan 1 atau membuat error variance indikator pengukuran tersebut bernilai nol.
b. untuk konstrak laten yang hanya memiliki beberapa indikator pengukuran (lebih besar dari 1 indikator), maka ditetapkan salah satu koefisien faktor loading (lamda, λ ) bernilai 1. Penetapan nilai lamda = 1 merupakan justifikasi dari peneliti tentang indikator yang dianggap paling mewakili konstrak laten tersebut. Indikator tersebut disebut juga sebagai variable reference.
Jika tidak ada indikator yang diprioritaskan (ditetapkan), maka variable reference akan diestimasi didalam proses estimasi model.
3. Estimasi Model (Model Estimation)
Pada proses estimasi parameter, penentuan metode estimasi ditentukan oleh uji Normalitas data. Jika Normalitas data terpenuhi, maka metode estimasi yang digunakan adalah metode maximum likelihood dengan menambahkan inputan berupa covariance matrix dari data pengamatan. Bollen (1989) diacu oleh Wijanto (2008) menyarankan beberapa alternatif ketika terjadi non-normality atau excessive kurtosis, yaitu :
a. Mentransformasikan variabel sedemikian rupa sehingga mempunyai multinormalitas yang lebih baik dan menghilangkan kurtosis yang berlebihan b. Menyediakan penyesuaian pada uji statistik dan kesalahan standar biasa
sedemikian sehingga hasil modifikasi uji signifikan dari scale free adalah secara asimptotis benar.
c. Menggunakan bootstrap resampling procedures.
d. Menggunakan estimator alternatif yang menerima ketidaknormalan dan estimator tersebut asymptotically efficient. Weighted Least Square (WLS) estimator adalah salah satu di antara metode tersebut.
4. Uji Kecocokan Model
Menurut Hair et al. (1998), SEM tidak mempunyai uji statistik tunggal terbaik yang dapat menjelaskan kekuatan dalam memprediksi sebuah model. Sebagai gantinya, peneliti mengembangkan beberapa kombinasi ukuran
kecocokan model yang menghasilkan tiga perspektif, yaitu ukuran kecocokan model keseluruhan, ukuran kecocokan model pengukuran, dan ukuran kecocokan model struktural.
Langkah pertama adalah memeriksa kecocokan model keseluruhan. Ukuran kecocokan model keseluruhan dibagi dalam tiga kelompok sebagai berikut:
1) Ukuran kecocokan mutlak (absolute fit measures), yaitu ukuran kecocokan model secara keseluruhan (model struktural dan model pengukuran) terhadap matriks korelasi dan matriks kovarians. Uji kecocokan tersebut meliputi: a. Uji Kecocokan Chi-Square
Uji kecocokan ini mengukur seberapa dekat antara implied covariance matrix (matriks kovarians hasil prediksi) dan sample covariance matrix (matriks kovarians dari sampel data). Hipotesis yang digunakan adalah H0: Σ=Σ(θ) ; H1: Σ≠Σ (θ) , dengan Σ adalah matriks kovarians sampel sedangkan Σ(θ) adalah matriks kovarians hasil prediksi dari model. Dalam prakteknya, P-value diharapkan bernilai lebih besar sama dengan 0,05 agar H0 dapat diterima yang menyatakan bahwa model adalah baik.
Pengujian Chi-square sangat sensitif terhadap ukuran data. Yamin dan Kurniawan (2009) menganjurkan untuk ukuran sampel yang besar (lebih dari 200), uji ini cenderung untuk menolak H0. Namun sebaliknya untuk ukuran sampel yang kecil (kurang dari 100), uji ini cenderung untuk menerima H0. Oleh karena itu, ukuran sampel data yang disarankan untuk diuji dalam uji Chi-square adalah sampel data berkisar antara 100 – 200.
b. Goodnees-Of-Fit Index (GFI)
Ukuran GFI pada dasarnya merupakan ukuran kemampuan suatu model menerangkan keragaman data. Nilia GFI berkisar antara 0 – 1. Sebenarnya, tidak ada kriteria standar tentang batas nilai GFI yang baik. Namun bisa disimpulkan, model yang baik adalah model yang memiliki nilai GFI mendekati 1. Dalam prakteknya, banyak peneliti yang menggunakan batas minimal 0,9.
c. Root Mean Square Error (RMSR)
RMSR merupakan residu rata-rata antar matriks kovarians/korelasi teramati dan hasil estimasi. Nilai RMSR < 0,05 adalah good fit.
d. Root Mean Square Error Of Approximation (RMSEA)
RMSEA merupakan ukuran rata-rata perbedaan per degree of freedom yang diharapkan dalam populasi. Nilai RMSEA < 0,08 adalah good fit, sedangkan Nilai RMSEA < 0,05 adalah close fit.
e. Expected Cross-Validation Index (ECVI)
Ukuran ECVI merupakan nilai pendekatan uji kecocokan suatu model apabila diterapkan pada data lain (validasi silang). Nilainya didasarkan pada perbandingan antarmodel. Semakin kecil nilai, semakin baik.
f. Non-Centrality Parameter (NCP)
NCP dinyatakan dalam bentuk spesifikasi ulang Chi-square. Penilaian didasarkan atas perbandingan dengan model lain. Semakin kecil nilai, semakin baik.
2) Ukuran kecocokan incremental (incremental/relative fit measures), yaitu ukuran kecocokan model secara relatif, digunakan untuk perbandingan model yang diusulkan dengan model dasar yang digunakan oleh peneliti. Uji kecocokan tersebut meliputi:
a. Adjusted Goodness-Of-Fit Index (AGFI)
Ukuran AGFI merupakan modifikasi dari GFI dengan mengakomodasi degree of freedom model dengan model lain yang dibandingkan. AGFI ≥ 0,9 adalah good fit, sedangkan 0,8 ≤ AGFI 0,9 adalah marginal fit.
b. Tucker-Lewis Index (TLI)
Ukuran TLI disebut juga dengan non normed fit index (NNFI). Ukuran ini merupakan ukuran untuk pembandingan antarmodel yang mempertimbangkan banyaknya koefisien di dalam model. TLI≥ 0,9 adalah good fit, sedangkan 0,8 ≤ TLI 0,9 adalah marginal fit.
c. Normed Fit Index (NFI)
Nilai NFI merupakan besarnya ketidakcocokan antara model target dan model dasar. Nilai NFI berkisar antara 0 – 1. NFI ≥ 0,9 adalah good fit, sedangkan 0,8 ≤ NFI 0,9 adalah marginal fit.
d. Incremental Fit Index (IFI)
Nilai IFI berkisar antara 0 – 1. IFI ≥ 0,9 adalah good fit, sedangkan 0,8 ≤ IFI 0,9 adalah marginal fit.
e. Comparative Fit Index (CFI)
Nilai CFI berkisar antara 0 – 1. CFI ≥ 0,9 adalah good fit, sedangkan 0,8 ≤ CFI 0,9 adalah marginal fit.
f. Relative Fit Index (RFI)
Nilai RFI berkisar antara 0 – 1. RFI ≥ 0,9 adalah good fit, sedangkan 0,8 ≤ RFI 0,9 adalah marginal fit.
3) Ukuran kecocokan parsimoni (parsimonious/adjusted fit measures), yaitu ukuran kecocokan yang mempertimbangkan banyaknya koefisien didalam model. Uji kecocokan tersebut meliputi:
a. Parsimonious Normed Fit Index (PNFI)
Nilai PNFI yang tinggi menunjukkan kecocokan yang lebih baik. PNFI hanya digunakan untuk perbandingan model alternatif.
b. Parsimonious Goodness-Of-Fit Index (PGFI)
Nilai PGFI merupakan modifikasi dari GFI, dimana nilai yang tinggi menunjukkan model lebih baik digunakan untuk perbandingan antarmodel. c. Akaike Information Criterion (AIC)
Nilai positif lebih kecil menunjukkan parsimoni lebih baik digunakan untuk perbandingan antarmodel.
d. Consistent Akaike Information Criterion (CAIC)
Nilai positif lebih kecil menunjukkan parsimoni lebih baik digunakan untuk perbandingan antarmodel.
e. Criteria N (CN)
Estimasi ukuran sampel yang mencukupi untuk menghasilkan adequate model fit untuk Chi-squared. Nilai CN > 200 menunjukkan bahwa sebuah model cukup mewakili sampel data.
Setelah evaluasi terhadap kecocokan keseluruhan model, langkah berikutnya adalah memeriksa kecocokan model pengukuran dilakukan terhadap masing-masing konstrak laten yang ada didalam model.
Pemeriksaan terhadap konstrak laten dilakukan terkait dengan pengukuran konstrak laten oleh variabel manifest (indikator). Evaluasi ini didapatkan ukuran kecocokan pengukuran yang baik apabila:
1. Nilai t-statistik muatan faktornya (faktor loading-nya) lebih besar dari 1,96 (t-tabel).
2. Standardized faktor loading (completely standardized solution LAMBDA)≥0,5 .
Setelah evaluasi terhadap kecocokan pengukuran model, langkah berikutnya adalah memeriksa kecocokan model struktural. Evaluasi model struktural berkaitan dengan pengujian hubungan antarvariabel yang sebelumnya dihipotesiskan. Evaluasi menghasilkan hasil yang baik apabila:
1. Koefisien hubungan antarvariabel tersebut signifikan secara statistik (t-statistik ≥ 1,96).
2. Nilai koefisien determinasi (R2) mendekati 1. Nilai R2 menjelaskan seberapa besar variabel eksogen yang dihipotesiskan dalam persamaan mampu menerangkan variabel endogen.
5. Respesifikasi Model (Respesification)
Apabila model yang dihipotesiskan belum mencapai model yang fit, maka peneliti bisa melakukan respesifikasi model untuk mencapai nilai fit yang baik. Oleh karena itu, pendekatan teori yang benar ketika melakukan repesifikasi model ini dibutuhkan. Software LISREL juga menyediakan output modifikasi model yang membantu proses respesifikasi model dalam hal meningkatkan fit dari suatu model. Modifikasi dilakukan dengan membuang atau menambah hubungan di antara variabel di dalam model SEM.
Menurut Hair et al. (1998) ada 3 strategi pemodelan yang dapat dipilih dalam SEM, yaitu :
a. Strategi Pemodelan Konfirmatori (Confirmatory Modelling Strategy) Pada strategi ini diformulasikan atau dispesifikasikan satu model tunggal, kemudian dilakukan pengumpulan data empiris untuk diuji signifikansinya. Pengujian ini akan menghasilkan suatu penerimaan atau penolakan terhadap model tersebut. Strategi ini tidak memerlukan respesifikasi.
b. Strategi Kompetisi Model (Competing Models Strategy)
Pada strategi ini beberapa model alternatif dispesifikasikan dan berdasarkan analisis terhadap satu kelompok data empiris dipilih salah satu model yang paling sesuai. Pada strategi ini respesifikasi hanya diperlukan jika model-model alternatif dikembangkan dari beberapa model yang ada.
c. Strategi Pengembangan Model (Model Development Strategy)
Pada strategi pemodelan ini suatu model awal dispesifikasikan dan data empiris dikumpulkan. Jika model awal tersebut tidak cocok dengan data empiris yang ada, maka model dimodifikasi dan diuji kembali dengan data yang sama. Beberapa model dapat diuji dalam proses ini dengan tujuan untuk mencari satu model yang selain cocok dengan data secara baik, tetapi juga mempunyai sifat bahwa setiap parameternya dapat diartikan dengan baik. Respesifikasi terhadap model dapat dilakukan berdasarkan theory-driven atau data-driven, meskipun demikian respesifikasi berdasarkan theory driven lebih dianjurkan (Hair et al 1998).
