BAB III
G. Model dan Kesalahan Pengukuran Variabel
I. Estimasi Model
2. Model Just Identified
52 Metode SEM Untuk Penelitian Manajemen dengan AMOS 22.00, LISREL 8.80 dan Smart PLS 3.0 Hasil Analisis
Ternyata model unidentified sehingga tidak ada solusi yang unik. Hal ini disebabkan jumlah parameter yang akan diestimasi lebih besar dari jumlah varian dan kovarian di bagi dua ( t > s/2 ) : lihat kembali model kita
Jumlah yang akan diestimasi (t) adalah 4 yaitu 2 berupa nilai loading factor x1 s.d x2 dan 2 nilai varian x1 dan x2. Jadi jumlah yang harus diestimasi adalah 4 (2 factor loading dan 2 variance).
Sedangkan berdasarkan model di atas kita tidak memiliki informasi yang cukup untuk mengestimasi 4 parameter tersebut. Karena kita memiliki dua indikator, maka matrik kovarian sampel (S) hanya memiliki tiga informasi yang tersedia yaitu Varian (x1) dan Varian (x2) dan kovarian (x1, x2). Jadi kita hanya memiliki tiga informasi yang akan digunakan untuk mengestimasi empat parameter. Sehingga model di atas tidak dapat diidentifikasi (unidentified).
t = 4
s = (p + q) (p + q + 1) = (0 + 2) (0 + 2 + 1) = 6 Maka t > s/2
Masalah unidentified ini dapat diatasi dengan mengkonstrain model. Dalam contoh di atas kita memperoleh beberapa solusi untuk memecahkan persamaan A x B = 60. Namun bagaimana jika nilai A ditentukan menjadi 10?, tentu saja dengan mudah kita menjawab bahwa nilai A = 6. Dalam SEM kita dapat melakukan hal tersebut yang seringkali disebut dengan constraint. Constraint dalam AMOS dapat dilakukan dengan :
1. Menambah indikator (variabel manifest) kedalam model
2. Dengan menentukan (fix) parameter tambahan menjadi 0 (nol). Metode ini yang paling sering digunakan.
3. Mengasumsikan bahwa parameter yang satu dengan parameter yang lain memiliki nilai yang sama.
Perlu diperhatikan bahwa setiap perubahan pada suatu model harus dapat dijustifikasi secara teoritis. Kita tidak boleh menambah konstrain hanya untuk memastikan bahwa model persamaan kita dapat diidentifikasi. Hayduk (1987) menyatakan bahwa lebih baik memiliki model yang benar meskipun koefisien estimasinya tidak dapat diperoleh, daripada mengestimasi dan mengidentifikasi model yang salah.
Metode SEM Untuk Penelitian Manajemen dengan AMOS 22.00, LISREL 8.80 dan Smart PLS 3.0 53 mengurangi jumlah yang akan diestimasi. Misal variabel laten Komitmen Organisasi akan mempengaruhi dua indikator yaitu x1 dan x2 dengan bobot yang sama besar atau sering disebut dengan menyamakan konstrain, dimana loading x1 = loading x1 atau λ1=λ2 dengan cara :
a. Letakkan kursor pada garis regresi dari variabel laten ke indikator x1 b. Klik kanan mouse dan pilih Object Properties
c. Pada kotak regression weight isikan nilai 1
d. Lakukan hal yang sama untuk garis regresi dari variabel laten ke indikator x2 dan diberi nilai yang sama yaitu 1
e. Run kembali model dengan klik Analyze lalu Calculate Estimate f. Pilih View dan Text Output
g. Berikut ini hasil output AMOS
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 3 Number of distinct parameters to be estimated: 3 Degrees of freedom (3 - 3): 0 Result (Default model)
Minimum was achieved Chi-square = .000 Degrees of freedom = 0
Probability level cannot be computed
Estimates (Group number 1 - Default model) Scalar Estimates (Group number 1 - Default model) Maximum Likelihood Estimates
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label x1 <--- Komitmen_Organisasi 1.000
x2 <--- Komitmen_Organisasi 1.000
54 Metode SEM Untuk Penelitian Manajemen dengan AMOS 22.00, LISREL 8.80 dan Smart PLS 3.0 Standardized Regression Weights: (Group number 1 - Default model)
Estimate x1 <--- Komitmen_Organisasi .787 x2 <--- Komitmen_Organisasi .800 Variances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label Komitmen_Organisasi 1.219 .176 6.926 ***
e1 .748 .141 5.288 ***
e2 .687 .138 4.986 ***
Squared Multiple Correlations: (Group number 1 - Default model) Estimate
x2 .640
x1 .620
Hasil Analisis
Model sekarang menjadi Just Identified atau sering disebut dengan Saturated Model. Oleh karena nilai loading x1 dan x1 nilainya kita samakan, maka jumlah nilai t turun dari 4 menjadi 3 (yaitu estimasi terhadap nilai satu loading factor dan dua nilai Varian x1 dan Varian x2)
t = 4
S = (p + q) (p + q + 1) = (0 + 2) (0 + 2 + 1) = 6
Sehingga t = s/2 atau model menajadi Just Identified atau saturated Model. Model Just Identified memberikan nilai derajat kebebasan atau degree of freedom (df) = 0 (nol) sehingga model tidak dapat diuji. Lihat nilai regression weight tidak muncul untuk nilai Standart Error, Critical ratio dan nilai Probabilitas (P).
Salah satu alternatif yang lain adalah dengan meningkatkan jumlah informasi yang digunakan untuk mengestimasi parameter dengan menambahkan jumlah indikator. Misalkan jika kita menambah satu indikator lagi x3 sebagaimana ditunjukkan oleh gambar berikut ini :
Model kita sekarang memiliki enam parameter yang akan diestimasi yaitu tiga loading factor x1, x2 dan x3 dan tiga error variance x1, x2 dan x3. Sedangkan jumlah informasi yang dimiliki adalah Var(x1), var(x2), Var(x3), Cov(x1, x2), Cov(x1, x3), dan Cov(x2, x3) dengan jumlah informasi enam. Jadi model kita tetap unidentified karena :
t = 6
s = (0 + 3) (0 + 3 + 1) = 6 Jadi t = s/2
Metode SEM Untuk Penelitian Manajemen dengan AMOS 22.00, LISREL 8.80 dan Smart PLS 3.0 55 3. Model Over Identified
Model Just Identified akan menjadi model yang over identified dengan cara menambah konstrain terhadap satu parameter supaya nilai t menjadi turun menjadi 5. Dalam hal ini nilai loading factor x1 kita konstrain dengan memberi nilai 1 (program AMOS secara otomatis akan memberikan nilai konstrain 1 untuk indikator pertama dari suatu variabel laten). Langkah analisis :
a. Letakkan kursor pada garis regresi dan variabel laten Komitmen Organisasi ke indikator x1
b. Klik mouse kanan dan pilih object properties c. Pada kotak parameter isikan nilai 1
d. Run kembali model dengan pilih Analyze lalu pilih Calculate Estimate e. Berikut ini hasil output AMOS
f. Pilih View lalu pilih Text Output
56 Metode SEM Untuk Penelitian Manajemen dengan AMOS 22.00, LISREL 8.80 dan Smart PLS 3.0 Notes for Model (Default model)
Computation of degrees of freedom (Default model)
Number of distinct sample moments: 6 Number of distinct parameters to be estimated: 6 Degrees of freedom (6 - 6): 0 Result (Default model)
Minimum was achieved Chi-square = .000 Degrees of freedom = 0
Probability level cannot be computed
Estimates (Group number 1 - Default model) Scalar Estimates (Group number 1 - Default model) Maximum Likelihood Estimates
Regression Weights: (Group number 1 - Default model)
Estimate S.E. C.R. P Label x2 <--- Komitmen_Organisasi .832 .108 7.708 ***
x3 <--- Komitmen_Organisasi .754 .103 7.338 ***
x1 <--- Komitmen_Organisasi 1.000 Standardized Regression Weights: (Group number 1 - Default model)
Estimate x2 <--- Komitmen_Organisasi .729 x3 <--- Komitmen_Organisasi .655 x1 <--- Komitmen_Organisasi .863 Variances: (Group number 1 - Default model)
Estimate S.E. C.R. P Label Komitmen_Organisasi 1.466 .259 5.652 ***
e2 .892 .145 6.140 ***
e3 1.107 .150 7.394 ***
e1 .501 .166 3.025 .002
Squared Multiple Correlations: (Group number 1 - Default model) Estimate
x1 .745
x3 .430
x2 .532
Metode SEM Untuk Penelitian Manajemen dengan AMOS 22.00, LISREL 8.80 dan Smart PLS 3.0 57 Hasil Analisis
Model sekarang menjadi Over Identified karena nilai t menjadi 5 yang harus diestimasi yaitu (dua nilai loading factor x2 dan x3 dan tiga nilai error variance x1, x2 dan x3)
t = 5
S = (0 + 3) (0 + 3 + 1) = 6 Sehingga t < s/2
Perhatikan hasil output regression weight, sekarang nilainya muncul semua. Dapat disimpulkan bahwa indikator x1, x2 dan x3 memiliki nilai loading factor masing-masing 0.863, 0.729 dan 0.655 yang semua signifikan pada p = 0.001 (tanda ***).