HAIR : SEM

Hal. 754
Higher Order Factor Analysis

First-order factor model berarti bahwa kovarians antara item pengukuran yang dijelaskan oleh laten tunggal. Sedangkan struktur second-order factor model yang mengandung dua lapisan konstruk laten.

Perhatian pada Landasan Empiris

Perhatian pada Teori

Secara Teori, konstruk terkadang bisa dioperasionalkan pada abstraksi level yang berbeda ;

Menggunakan Second-Order Measurement Theories

Second-order factor harus secara ketat menguji validitas nomologikal karena mungkin bahwa berbagai penemuan menjelaskan eksistensi higher-order factor.

Multigroup Analysis

Multiple group analysis adalah kerangka berpikir untuk menguji bebrapa tipe perbedaan antara estimasi model similar untuk perbedaan grup responden. Obyektifnya adalah untuk melihat adakah perbedaan diantara model grup secara individual. Prosedur ini berbeda untuk menguji model dengan spesifikasi yang berbeda untuk sample rfesponden yang sama.

Perbandingan Pengukuran Model

Perbandingan Pengukuran Model mencakup dua area ;

Ø      Pengukuran Invarians (Pengukuran Ekuivalen)

Bertujuan untuk mengukur model pengukuran yang diarahkan dibawah kondisi yang berbeda yang mewakili hasil yang ekuivalen di konstru yang sama.

Ø      Cross Validation

Usaha untuk mereproduksi hasil yang ditemukan dalam satu sampel menggunakan data dari sampel yang berbeda.

Enam Langkah Proses Perbandingan Grup

Penggunaan gabungan yang lebih diketahui sebagai multisample confirmatory factor analysis. Between Group Constraint ditambahkan untuk merefleksikan pengukuran spesifik perbandingan model. Sebuah between-group constraint estimasi sebuah parameter tunggal untuk hubungan dibandingkan estimasi parameter unikuntuk tiap grup. Hal itu merepresentasikan hipotesis hubungan yang diuji invariant diantara grup. Chi-Square Difference karena itu bisa dinilai dengan level signifikansi statistik.

Stage 1 : Konfigural Invariance.

Mengkonfirmasi konfigurasi invariance, dimana peneliti harus mengkonfirmasi bahwa tiap grup model CFA memiliki jumlah konstruk yang sama dan asosiasi item dengan tiap konstruk. Model terkadang diartikan sebagai totally free multiple group model (TF) karena semua parameter bebas diestimasi terpisah dan kemudian bebas untuk mengambil nilai yang berbeda di tiap grup.

Stage 2 : Metric Invariance

Metric invariance dibangun dengan ekuivalensi nilai dasar konstruk karena loadingnya dinyatakan hubungan antara indikator dan konstruk laten.

Stage 3 : Scalar Invariance

Scalar Invariance dimana ter untuk kesamaan pengukuran variabel intersep pada konstruk.

Stage 4 : Factor Covariance Invariance

Factor Covariance Invariance tes apabila konstruk terkait satu sama lain dalam cara yang sama diantara grup.

Stage 5 : Factor Variance Invariance

Factor variance invariance dimana mengamati ekualitas dari varians konstruk diantara grup.

Stage 6 : Error Variance Invariance

Error term Invariance for tiap pengukuran variable diantara grup. Untuk sejumlah pengukuran eror yang menampilkan indicator dan perpanjangan dimana ekuivalensi lintas model.

Full vs Partial Invariance

Partial Invariance adalah standar kurang konservatif yang melibatkan antara least multiple estimates perkonstruk untuk ekuibvale diantara grup.

Pada Level dimana Invariance dibutuhkan???

Tergantung pada tipe pertanyaan riset yang dituju. Kebanyakan pertanyaan riset melibatkan perbandingan konstruk yang berarti lintas grup, mencapai partial scalar invariance yang cukup.

Perbandingan Model Struktural

Proses grup untuk parameter struktural model pertama dibangun datas pengukuran proses model dan kemudian melakukan tipe similar dari perbandingan untuk menguji perbedaan model struktural.

Perbandingan model strukturas mengembangkan tes spesifik untuk dituju pada beberapa jumlah hipotesis riset, namun yang paling sering digunakan adalah tes moderasi. Moderasi menguji perbedaan hubungan struktural antara grup yang terbentuk pada variabel ketiga.

Bias Pengukuran

Constant Method Bias mungkin mengimplikasi kovarians diantara item pengukuran yang dipengaruhi oleh fakta bahwa beberapa atau semua respon dikumpulkan dengan tipe skala yang sama.

Nuisance factor adalah sesuatu yang mungkin berefek pada respon namun tidak secara primer tertarik pada pertanyaan riset.

Model Spesifikasi

Konsep nuisance factor secara umum digunakan dalam desain eksperimental dimana beberapa faktor dalam administrasi eksperimen yang mungkin dipahami memiliki beberapa efek dan membutuhka kontrol dari desain.

Tipe Hubungan : Mediasi dan Moderasi

Mediasi

Efek mediasi diciptakan saat variabel ketiga atau variabel intervening antara dua variabel terkait. Direct effects adalah hubungan yang mengaitkan dua konstruk antara setidaknya satu variabel intervening yang terlibat.

Tes Mediasi apabila konstruk mediasi secara lengkap menjelaskan hubungan antara dua konstruk disebut complete mediation. Namun apanila kita menemukan bahwa mereka masih memiliki hubungan yang sama dengan antara variabel bebas dan tergantung yang tidak dicampuri oleh mediator kemudian kita menyebutnya dengan mediasi parsial.

Moderasi

Efek moderasi terjadi saat variabel ketiga atau konstruk berubah hubungan menjadi keterkaitan dua variabel. Ada dua jenis moderasi :

Ø      NonMetrik Moderator

Nonmetrik, kategorikal variabel biasanya dihipotesiskan sebagai moderator.

Ø      Metrik Moderator

Moderator bisa saja kontinu atau metrik dan dievaluasi menggunakan SEM.

Menggunakan Multigrup SEM untuk mengetes Moderasi

SEM multigrup digunakan untuk mengetes efek moderasi dimana variabel moderasi baik metrik maupun nonmetrik telah ditransformasikan kedalam variabel nonmetrik.

Partial Least Square (PLS)

PLS telah meningkat popularitasnya sebagai alternatif SEM lain. Awalnya digunakan oleh para ahli ekonomi yang menggunakan aplikasi untuk menyelesaikan masalah perekonomian yang lebih diadopsi untuk menyelasikan maslaha binsin, edukasi, dan sains sosial. PLS dan SEM, keduanya memiliki keunggulan dan kelemahan.

Keunggulan dan Kelemahan PLS

Keunggulan PLS

Ø      Keunggulan utamanya adalah robustness yang berarti itu akan menyediakan solusi meskipun ada problem yang mungkin telah dicegah dalam SEM.

Ø      Sangat berguna sebaga eksplorasi cepat variabel dalam jumlah besar untuk mengidentifikasi susunan variabel yang dapat memprediksi dasar nilai yang besar dari  susunan variabel yang rumit yang dilakukan SEM kemudian mampu ditangani dalam jumlah besar variabel dan atau konstruk dengan mudah.

Ø      PLS tidak sensitif  pada pertimbangan jumlah sampel. Estimasi pendekatannya menangani baik dalam sampel kecil maupun dalam sampel yang besar dengan lebih mudah seperti yang dilakukan oleh SEM.

Ø      Kasus yang dipakai oleh model PLS sangat berguna ketika pengukuran lemah.

Kelemahan PLS

PLS terlalu berfokus pada prediksi dibanding penjelasan.

Memilih PLS vs SEM

PLS sering dighunakan untuk analisis regresi berganda untuk menguji hubungan yang mungkin dengan emphasis rendah pada model pengukuran seperti terpisah dan submodel yang berbeda.

Meskipun PLS dapat diaplikasikan pada situasi yang lebih luas, peneliti harus selalu hati-hati pada perbedaan interpretasi hasil sebagian terkait properti pengukuran konstruk.

PLS dapat memproduksi hasil meski dengan sampel jumlah kecil bahkan dengan jumlah kuran dari banyaknya variabel. Disiilah penggunaakn tujuan eksplorasi damun generalisai hasil terbatas oleh sampel kecil yang tidak mempedulikan pendekatan statistik apakah yang digunakan.