Iklan

Modifikasi Model Pengukuran & Analisis Faktor (Seri LISREL bag.7)


Tulisan ini merupakan seri ketujuh dari tulisan seri LISREL yang ada pada blog ini. Jika pada seri keenam kita membahas mengenai model pengukuran dan analisis faktor, pada seri ketujuh ini juga masih membahas hal yang sama, tetapi lebih ditekankan pada teknik modifikasi model dalam analisis faktor jika model fit tidak baik

Misalnya, kita punya data hipotetik dengan dua faktor, yaitu FAKTOR1 dan FAKTOR2. Asumsikan masing-masing faktor tersebut akan diukur melalui tiga indikator. FAKTOR1 diukur melalui indikator X1, X2 dan X3 dan FAKTOR2 diukur melalui X4, X5 dan X6. Indikator-indikator itu sendiri merupakan respon dari responden yang diukur dengan skala likert 1-5. (Silakan ambil datanya disini. Tapi data tersebut masih dalam bentuk word. Rubah dulu ke bentuk SPSS atau Excel, kemudian simpan dalam format PRELIS)

Secara konseptual, model tersebut dapat digambarkan sebagai berikut:

Input untuk model tersebut dapat ditulis dalam LISREL sebagai berikut:


Ada tambahan dua elemen baru dalam baris perintah yaitu:

Number of Decimals = 3

Yang memerintahkan LISREL untuk menampilkan output dengan tiga desimal di belakang koma (default LISREL dua desimal).

Wide Print

Yang memerintahkan LISREL untuk menampilkan output dengan 132 karakter perbaris (default LISREL 80 karakter)

Print Residuals

Yang memerintahkan LISREL untuk menampilkan residual

Dengan perintah-perintah tersebut diatas, LISREL menghasilkan persamaan pengukuran sebagai berikut:


Seluruh indicator tersebut signifikan pada taraf 1% atau 5%. Seluruh error variance juga signifikan pada tarf 1% atau 5%, dengan R2 berkisar antara 0,121 sampai 0,863. Tetapi jika dilihat dari goodness of fit, ternyata model tidak fit. Chi-Square sebesar 65,821 dengan derajat bebas 8 dan nilai p yang signifikan, mengindikasikan model tidak fit. Dalam konteks ini, ada dua alternatif. Melakukan penelitian ulang atau memodifikasi model. Tentu saja pilihan yang lebih logis adalah memodifikasi model, asal terdapat justifikasi teori yang kuat untuk modifikasi model tersebut.

Perintah Print residual dalam input kita sebelumnya dapat memberikan kita informasi mengenai penyebab tidak fitnya model. Output-output LISREL di bawah ini dapat digunakan sebagai pemandu untuk menganalisis penyebab tidak fitnya model.

Output dengan judul Covariance Matrix secara statistik juga dikenal dengan istilah Sample Covariance Matrix (yang merupakan tampilan default dari LISREL). Output dengan judul Fitted Covariance Matrix merupakan estimasi program dalam memprediksi covariance matrix model penelitian yang diajukan. Pengurangan Covariance Matrix dengan Fitted Covariance Matrix menghasilkan output Fitted Residuals.

Suatu model dikatakan fit jika matriks residualnya (Fitted Residuals) adalah nol (mendekati nol). Sedangkan model dikatakan memiliki fit yang sangat buruk apabila matriks residualnya sangat besar.

Berdasarkan hal tersebut, terlihat bahwa residual kovarians yang terbesar adalah antara X1 dan X4 yaitu 0,338, sehingga diperoleh kesimpulan bahwa X1 dan X4 inilah yang menjadi penyebab tidak fitnya model.

Namun demikian, informasi residual ini perlu ditanggapi secara hati-hati karena nilai residual tersebut adalah unstandarized, yang mungkin nilai-nilainya dipengaruhi oleh bedanya pengukuran. Jika indicator-indikator dalam model kita memiliki perbedaan dalam skala pengukurannya, sebaiknya menggunakan Standarized Residual yang juga ditampilkan dalam output LISREL sebagai berikut:

Dari output diatas terlihat bahwa berdasarkan standarized residual, sebenarnya yang memiliki residual terbesar adalah X5 dan X6.

Lalu apa yang harus dilakukan ? Dalam konteks ini LISREL memberikan output modification index yang merupakan salah satu alternatif terbaik untuk modifikasi model.

Output LISREL menyarankan dua tipe modifikasi yang dapat dilakukan:

Tipe 1.

  1. Menambah path (jalur) dari FAKTOR2 ke indikator X3. Dengan kata lain, X3 selain merupakan indikator FAKTOR1 juga merupakan indikator indikator FAKTOR2. Modifikasi ini akan menurunkan nilai Chi-Square sebesar 13,0 dan menghasilkan estimasi baru menjadi 0,48
  2. Menambah path (jalur) dari FAKTOR1 ke indikator X4. Dengan kata lain, X4 selain merupakan indikator FAKTOR2 juga merupakan indikator indikator FAKTOR1. Modifikasi ini akan menurunkan nilai Chi-Square sebesar 27,7 dan menghasilkan estimasi baru menjadi 0,65

Tipe 2.

  1. Memberikan hubungan antara dua error indikator X2 dan X1, akan menghasilkan penurunan nilai Chi-Square sebesar 13,0 dan menghasilkan kovarians baru sebesar 0,26
  2. Memberikan hubungan antara dua error indikator X4 dan X1, akan menghasilkan penurunan nilai Chi-Square sebesar 10,0 dan menghasilkan kovarians baru sebesar 0,25
  3. Memberikan hubungan antara dua error indikator X6 dan X1, akan menghasilkan penurunan nilai Chi-Square sebesar 17,7 dan menghasilkan kovarians baru sebesar -0,24
  4. Memberikan hubungan antara dua error indikator X6 dan X3, akan menghasilkan penurunan nilai Chi-Square sebesar 10,8 dan menghasilkan kovarians baru sebesar 0,17
  5. Memberikan hubungan antara dua error indikator X6 dan X5, akan menghasilkan penurunan nilai Chi-Square sebesar 27,7 dan menghasilkan kovarians baru sebesar 3,23

Modification indices dan perubahan yang diharapkan (Expected Change) juga divisualisasikan oleh LISREL dalam bentuk path diagram berikut:

 

 

 

Berikut ini diberikan cara mengoperasikan LISREL untuk memodifikasi model. Contoh untuk modifikasi tipe 1a dari kasus kita diatas. Inputnya dapat ditulis:


Nah, setelah mengetikan perintah tersebut di LISREL, coba di run untuk melihat hasilnya. Apakah modelnya sudah fit? Jika belum, coba lagi dengan tipe modifikasi lain yang disarankan LISREL. Selamat mencoba.

Iklan

7 Tanggapan

  1. salam kenal pak,
    saya ingin menanyakan tentang modifikasi lisrel. hasil di lisrel menunjukkan bahwa GFI = 0,56, cfi = 0,72, rmsea = 0,84, AGFI = 0,55
    bagaimana cara meningkatkan model fit saya pak?
    terimakasih atas bantuannya

  2. Selamat pagi pak, maaf sebelumnya. Saya ingin bertanya pak, tentang penggunaan SET PATH pada lisrel bagaimana caranya ya pak?

  3. Terima kasih Pak, atas pencerahan mengenai LISREL pada tulisan Bapak, sehingga saya dapat mengerjakan banyak hal….semoga menjadi amal jariyah juga buat saya…..sukses selalu buat Bapak dan Keluarga….amin

  4. Salam kenal Pak, Terima kasih tulisan Bapak tentang LISREL dan SEM ini sangat membantu saya dalam mengolah data penelitian saya. saya menggunakan skala likert dalam kuesioner pengumpulan data. Untuk mengukur satu indikator saya menggunakan 3 sampai 5 item pertanyaan. Apa saya dapat menggunakan rata-rata dari item tersebut untuk data atau nilai dari indikator? atau ada cara yang lain untuk menentukan nilai atau data dari indikator yang terdiri dari beberapa item tersebut? Terima kasih sebelumnya Pak…….

  5. pak..saya mau tanya.nih boleh yaa..
    datanya dah siap pak..syntax pun udh
    cuman kok waktu di run path nya gk keluar ya pak..
    saya dah coba utak2 atik tp blun berhasil juga..
    pd output katanya:
    W_A_R_N_I_N_G: Matrix to be analyzed is not positive definite, ridge option taken with ridge constant = 0.001
    itu harus saya apakan yha pak

    relationnya gini:
    SERQUA1-SERQUA22 = serqua
    SYSQUA1-SYSQUA10 = sysqua
    INQUA1 – INQUA6 = inqua
    USAT1 – USAT12 = usat
    USAGE1 USAGE 2 = usage
    KIN1 – KIN6 = kin

    serqua sysqua inqua = usat
    usat = usage
    usage = kin

    tolong dibantu ya pak..saya salahnya dimana yha?
    terima kasih sebelumnya..pak

    • coba periksa type datanya ordinal atau continous, sebaiknya type variabel berupa variabel/data continous.. .. selamat mencoba

  6. Salam kenal Pak. Pak, saya mau tanya simplis untuk menghubungkan antara variabel menuju eror atau sebaliknya bagaimana?
    trims

    Salam kenal kembali Pak. Maaf, saya tidak mengerti maksud pertanyaannya. Bisa diperjelas Pak ?

Tinggalkan Balasan

Isikan data di bawah atau klik salah satu ikon untuk log in:

Logo WordPress.com

You are commenting using your WordPress.com account. Logout / Ubah )

Gambar Twitter

You are commenting using your Twitter account. Logout / Ubah )

Foto Facebook

You are commenting using your Facebook account. Logout / Ubah )

Foto Google+

You are commenting using your Google+ account. Logout / Ubah )

Connecting to %s

%d blogger menyukai ini: