Statistika Dasar : Pemodelan Persamaan Struktural

Pengertian Pemodelan Persamaan Struktural (SEM)

Structural Equation Modellingatau yang lebih dikenal dengan singkatannya yaitu SEM. Metode SEM disebut juga metode Pemodelan Persamaan Struktural (PPS). Metode atau teknik PPS adalah suatu teknik statistic yang mampu menganalisis pola hubungan antara konstrak laten dan indikatornya, konstrak laten yang satu dengan lainnya, serta kesalahan pengukuran secara langsung. PPS dikelompokkan sebagai keluarga statistik multivariat dependen, artinya ada variabel dalam PPS yang berperan sebagai variabel dependen dan ada variabel yang berperan sebagai variabel independen. Istilah variabel dependen dalam PPS disebut variabel endogen dan istilah variabel independen dalam PPS disebut variabel eksogen. PPS memungkinkan peneliti untuk menguji hubungan antara variabel laten sekaligus dapat menguji teori. Selain itu, secara simultan, PPS juga dapat menguji indikator-indikatornya sehingga dapat menilai kualitas pengukuran. Dengan kata lain, PPS dapat digunakan untuk menguji model pengukuran yaitu pengukuran variable laten melalui indikator-indikatornya, dan model struktural yaitu pola hubungan antarvariabel yang ditampilkan dalam model. Teknik PPS memiliki dua tujuan utama dalam analisnya, yaitu menentukan apakah model riset yang digunakan “fit” (sesuai) berdasarkan data yang dimiliki, tujuan kedua adalah menguji berbagai hipotesis (pola hubungan) yang telah dibangun sebelumnya.

Adapun symbol-simbol yang digunakan dalam SEM:

ξ (ksi) = untuk variable laten X (eksogen)

η (eta) = untuk variable laten Y (endogen)

λ (lambda) =untuk muatan faktor (faktor loading)

β (beta) = koefisien pengaruh variable endogen terhadap variable endogen.

γ (gamma) = koefisien pengaruh variable eksogen terhadap variable endogen.

φ (phi) = koefisien hubungan antar variable laten X eksogen.

ζ (zeta) = peluang galat model

ε (epsilon) = kesalahan pengukuran pada variable manifest untuk variable laten Y

δ (delta) = kesalahan pengukuran pada variable manifest untuk variable laten X

λx (lambda besar) = matriks untuk muatan faktor variable laten X

λy (lambda besar) = matriks untuk muatan faktor variable laten Y

Persamaan dan Perbedaan antara SEM dan Analisis Jalur

Analisis SEM pada dasarnya untuk memperoleh suatu model structural. Model yang diperoreh dapat digunakan untuk prediksi atau pembuktian model. Disamping itu, SEM juga dapat digunakan untuk melihat besar kecilnya pengaruh, baik langsung, tak langsung maupun pengaruh total variable bebas (variable eksogen) terhadap variable terikat (endogen).

Antara SEM dan analisis jalur terdapat persamaan dan perbedaan. Beberapa persamaan dan perbedaan tersebut dapat dilihat pada deskripsi berikut.

1. Persamaan SEM dan Analisis Jalur

· Keduanya berkaitan dengan analisis konstruksi model.

· Koefisien parameter model didasarkan atas analisis data sampel.

· Pengujian kecocokan model dilakukan dengan cara membandingkan matriks varian-kovarian hasil dugaan dengan matriks data empiric (observasi)

2. Perbedaan SEM dan Analisis Jalur

· Pada SEM dapat dilakukan dua analisis sekaligus yaitu: analisis pengujian hubungan kausal antar variable laten (model structural) dan analisis pengujian validitas dan reliabilitas yang didasarkan atas variable manifest (model pengukuran).

· SEM dapat diterapkan untuk model rekursif ataupun resiprokal, sedangkan analisis jalur hanya dapat diterapkan pada model kausal satu arah dan rekursif.

· SEM tidak terganggu dengan adanya korelasi antar kesalahan (error), sedangkan pada analisis jalur, antara error harus bebas (tidak saling tergantung).

· Hasil SEM mencangkup faktor diterminan, model structural, dan model penggukuran. Analisis jalur hanya mencakup faktor diterminan.

model pengukuran

Salah satu kegiatan dalam SEM adalah analisis pengujian validitas konstruk dan reliabilitas indicator. Kegiatan ini dapat dilakukan pada analisis model pengukuran. Pendekatan yang digunakan dalam analisis model pengukuran ini adalah analisis model faktor konfirmatori.

Untuk melihat besar kecilnya koefisien validitas dapat dilihat besar kecilnya harga muatan faktor (

). Semakin besar harga

maka dikatakan indicator semakin valid. Ukuran untuk mengetahui berapa besarnya nilai

dikatakan valid dapat menggunakan pengujian nilai t (t-value). Untuk keperluan pengujian nilai t ini, dapat menggunakan software LISREL yang memang menyediakan fasilitas untuk pengujian tersebut. Namun demikian, penentuan valid atau tidaknya indicator dapat juga menggunakan besarnya koefisien kolerasi antara skor indicator/ konstruk dengan skor totalnya. Skor ini menggambarkan besarnya muatan faktor. Menurut Carmines dan Zeller (1979:55) konstruk yang baik adalah bila memiliki muatan faktor minimal 0,30. Dengan demikian, bila nilai λ ≥ 0,30 maka dikatakan indicator valid.

Untuk melihat besarnya koefisien realibilitas indicator dapat melihat nilai (1- δ) untuk variable eksogen dan nilai (1-ε) untuk variable endogen. Semakin besar nilai (1- δ) atau (1-ε) maka semakin reliabelindikator tersebut. Analisis pengujian reabilitas ini dapat juga dilakukan dengan pengujian nilai t (t-value) sepeti halnya pengujian validitas. Nilai t untuk masing-masing parameter (λ dan 1- δ atau 1-ε) merupakan hasil transformasi dari para meter tersebut.hubungan antar variable dikatakan signifikan apabila tampilan dalam output program LISREL menunjukan garis warna hitam dan tidak signifikan apabila hubungan antar variable menunjukan warna merah.

Analisis Jalur

Secara matematika persamaan model structural hubungan antar variable dapat ditampilkan seperti pada tabel ini.

Tabel: Model Persamaan Struktural Hubungan Antar Variabel)

	Eksogen			Endogen					kesalahan
eksogen	ξ₁	ξ₂		η₁	η₂	η₃	η₄		kesalahan
η₁	γ₁₁ξ₁	γ₁₂ξ₂	+					+	ζ₁
η₂	γ₂₁ξ₁		+					+	ζ₂
η₃	γ₃₁ξ₁	γ₃₂ξ₂	+					+	ζ₃
η₄	γ₄₁ξ₁	Γ₄₂ξ₂	+	β₄₁η₁β₄₂η₂β₄₃η₃				+	ζ₄

analisis model persamaan structural

Contoh Model Persamaan Struktural dapat dilihat kembali Gambar 10.3 di muka. Contoh tersebut menggambarkan gabungan antar variable. Untuk lebih memahami analisis SEM yang dicontohkan dalam gambar 10.3 tersebut perlu diperhatikan keterangan-keterangan berikut.

ξ₁ = Variable Laten Kualitas Orang Tua

X₁ = Variable Manifes Pendidikan

X₂ = Variable Manifes Penghasilan

X₃ = Variable Manifes Pekerjaan

X₄ = Variable Manifes Harta

ξ ₂ = Variable Laten Kualitas Sekolah

X₅ = Variable Manifes Layanan Guru

X₆ = Variable Manifes Partisipasi Siswa

X₇ = Variable Manifes Iklim Belajar

ϒ₁ = VariableLaten Kemampuan Umum

Y₁ = Variable Manifes Kemampuan Verbal

Y₂ = Variable Manifes Kemampuan Kuantitatif

Y₃ = Variable Manifes Kemampuan Spatial

ϒ₂ = Variable Laten Melek Teknologi

Y₄ = Variable Manifes Pemahaman

Y₅ = Variable Manifes Aplikasi

Y₆ = Variable Manifes Adaptasi

ϒ₃ = Variable Laten Pemahakan Diri

Y₇ = Variable Manifes Potensi Diri

Y₉ = Variable Manifes Filsafat Hidup

ϒ₄ = Variable Laten Orientasi Pilihan Bidang Keahlian

Y₁₀ = Variable Manifes Manual

Y₁₁ = Variable Manifes Penalaran

Y₁₂ = Variable Manifes Studi Lanjut

Secara Matematika model struktural pada Gambar di Muka dapat di tampilkan seperti pada Tabel dibawah ini.

TABEL:

MODEL PERSAMAAN STRUKTURAL FAKTOR-FAKTOR YANG MEMPENGARUHI ORIENTASI BIDANG KEAHLIAN

Variabel	Eksogen			Kesalahan
Eksogen	ξ₁	ξ₂	+	Kesalahan
X₁	λ ₁₁ ξ₁		+	δ ₁
X₂	λ ₂₁ ξ₁		+	δ ₂
X₃	λ ₃₁ ξ₁		+	δ ₃
X₄	λ ₄₁ ξ₁		+	δ ₄
X₅		λ ₅₂ ξ₂	+	δ ₅
X₆		λ ₆₂ ξ₂	+	δ ₆
X₇		λ ₇₂ ξ₂	+	δ ₇

Variable	Endogen					Kesalahan
Endogen	η₁	η ₂	η₃	η₄		Kesalahan
Y₁	λ ₁₁η₁				+	ξ₁
Y₂	λ ₂₁η₁				+	ξ ₂
Y₃	λ ₃₁η₁				+	ξ ₃
Y₄		λ ₄₂η ₂			+	ξ ₄
Y₅		λ ₅₂ η ₂			+	ξ ₅
Y₆		λ ₆₂η ₂			+	ξ ₆
Y₇			λ ₇₃η₃		+	ξ ₇
Y₈			λ ₈₃η₃		+	ξ ₈
Y₉			λ ₉₃η₃		+	ξ ₉
Y₁₀				λ ₁₀₄η₄	+	ξ ₁₀
Y₁₁				λ ₁₁₄η₄	+	ξ ₁₁
Y₁₂				λ ₁₂₄η₄	+	ξ ₁₂

Langkah-Langkah dalam Pemodelan Persamaan Struktural (SEM).

Hair, dkk. (1998:592-639) mendeskripsikan langkah-langkah dalam SEM seperti berikut ini : (1) pengembangan model berbasis teori, (2) mengkonstruksi diagram jalur untuk hubungan kausal, (3) mengkonversi diagram jalur ke dalam model struktural dan model pengukuran, (4) memilih matriks input dan estimasi model, (5) menilai identifikasi model struktural, (6) evaluasi kecocokan model berdasarkan kriteria goodness-of-fit dan (7) interpretasi dan modifikasi model.

Langkah 1. Pengembangan Model Berbasis Teori

Ada dua prinsip berdasarkan SEM, yaitu 1) untuk menganalisis hubungan kausal antara variabel eksogen dan endogen, dan 2) untuk menguji validitas dan reabilitas indikator variabel laten. Kegiatan dalam langkah pertama ini adalah mengembangkan model hipotetik, artinya mengembangkan suatu model ini diuji berdasarkan atas data empirik melalui SEM.

Berdasarkan uraian diatas maka di dalam mengembangkan pemodelan, peneliti harus memiliki wawasan dan landasan teori yang luas yang berkaitan dengan permasalahan yang diteliti. Hasil kajian atau eksplorasi terhadap teori-teori yang relevan akan membentuk model hipotetik untuk kemudian diverifikasi berdasarkan data empirik dengan menggunakan SEM.

Disamping untuk verifikasi model hipotetik, SEM juga dapat digunakan untuk membentuk konsep baru. Hal ini bisa dilakukan bila landasan teori atau konsep baru. Hal ini bisa dilakukan bila landasan teori atau konsep untuk membentuk model tidak tersedia. Dengan justifikasi empiris SEM maka model dapat menjadi konsep baru . untuk itu, diperlukan kajian sejumlah penelitian seehingga konsep yang dikembangkan menjadi kokoh dan universal.

Langkah 2. Mengkonstruksi Diagram Jalur untuk Hubungan Kausal

Diagram jalur sangat berguna untuk melihat hubungan kausal antara variabel eksogen dan variabel endogen. Hubungan kausal antara variabel ini divisualisasikan dalam bentuk gambar sehingga mudah dan jelas untuk dipahami serta lebih menarik. Jika model yang dibuat belum cocok (fit) maka dapat dibuat beberapa model untuk diperoleh model yang cocok dengan menggunakan analisis SEM. Contoh diagram jalur seperti tampak pada Gambar 10.2 di muka.

Langkah 3. Mengkonversi Diagram Jalur Ke dalam Model Struktural Dan Model Pengukuran

Contoh konversi diagram jalur dan model pengukuran kedalam model matematika ditunjukkan pada Tabel A dan B.

TABEL A:

MODEL MATEMATIKA PADA DIAGRAM JALUR

VARIABEL EKSOGEN

Variabel	Eksogen			Kesalahan
Eksogen	Ξ₁	Ξ ₂		Kesalahan
X₁	λ ₁₁₁Ξ₁		+	Δ₁
X₂	λ ₂₁Ξ₁		+	Δ₂
X₃	λ ₃₁Ξ₁		+	Δ₃
X₄		λ ₄₁Ξ₁	+	Δ₄
X₅		λ ₅₂Ξ₂	+	Δ₅
X₆		λ ₆₂Ξ₂	+	Δ₆
X₇		λ ₇₂Ξ₂	+	Δ₇

Tabel B

MODEL MATEMATIKA PADA DIAGRAM JALUR

VARIABEL ENDOGEN

	Endogen					Kesalahan
Endogen	₁	₂	₃	₄	+	Kesalahan
Y₁	₁₁₁				+	₁
Y₂	₂₁₁				+	₂
Y₃	₃₁₁				+	₃
Y₄		₄₂₂			+	₄
Y₅		₅₂₂			+	₅
Y₆		₆₂₂			+	₆
Y₇			₇₃₃		+	₇
Y₈			₈₃₃		+	₈
Y₉			₉₃₃		+	₉
Y₁₀				₁₀₄₄	+	₁₀
Y₁₁				₁₀₄₄	+	₁₁
Y₁₂				₁₀₄₄	+	₁₂

Langkah 4. Memilih Matrik Input dan Estimasi Model

Dalam SEM, matrik inputnya dapat berupa matrik korelasi atau matrik varians-kovarians. Matrik korelasi di gunakanuntuk tujuan memperoleh kejelasan tentang pola hubungan kausal anntar variabel laten. Dengan matrik ini, peneliti dapat melihat dua hal, yaitu: 1) Jalur-jalur mana yang memiliki efek kausal yang lebih dominan di bandingkan denga jalur-jalur yang lain, dan 2) variabel eksogen yang mana yang efeknya lebih besar terhadap variabel endogen di bandingkan dengan variabel yang lainnnya.

Matrik varians-kovarians digunakan untuk pengujian model yang telah di landasi berbagai kajian teori. Analisis yang digunakan tidak untuk melihat besar kecilnya efek kausal pada jalur-jalur yang ada dalam model. Hasiil analisis yang di peroleh dapat di gunakan untuk eksplanasi fennomenal yang di teliti atau untuk keperluan prediksi.

Langkah 5. Menilai Idfentifikasi Model Struktural

Di dalam analisis model struktural sering di jumpai adanya permasalahan yaitu pada proses pendugaan parameter. Jika di dalam prosesnya ada un-identified maka pendugaan parameter akan menemui banyak kendala. Ketidak mampuan model menghasilkan identifikasi yang tepat menyebabkan proses perhitungan menjadi terganggu.

Beberapa gejala yang sering muncul akibat adanya ketidak tepatan identifikasi ini antara lain yaitu:

a) Terdapat kesalahan standar yang terlalu besar

b) Matrik informasi yang disajikan tidak sesuai harapan

c) Matrik yang diperoleh tidak definitive positif

d) Terdapat kesalahan varians yang negative

e) Terdapat korelasi yang tinggi antar koevisien hasil dugaan (>0,9).

Langkah 6. Evaluasi Kecocokan Model Berdasarkan Kriteria Goodness-of-fit

Untuk menganalisis dengan SEM perlu di perhatikan asumsi-asumsi yang berkaitan dengan model dan asumsi-asumsi yang berkaitan dengan pendugaan parameter dan pengujian hipotesis.

Asumsi-asumsi yang berkaitan dengan model antara lain:

a) Semua hubungan antar vaariabel berbentuk linier

b) Model yang di kembangkan bersifat adiktif

Asumsi-asumsi yang berkaitan dengan perdugaan parameter dan pengujian hipotesis antara lain:

a) Pengambilan sampel secara acak

b) Data harus lengkap, artinya tidak ada missing data

c) Tidak ada data aneh (autliers)

d) Ukuran sampel minimum 100

e) Penyebaran data bersifat normal

f) Tidak ada multi kolinieritas

Pengujian model structural di lakukan untuk mengetahui sejauh mana model hubungan antar variabel yang disusun secara teoritis di dukung oleh kenyataan yang ada pada data empiris. Uji kesesuaian antara model teoritis dan data empiris dapat dilihat pada tingkat (goodness of fiit statistic). Keputusan kesesuaian model dapat menggunakan beberapa harga statistic seperti CHI kuadrat (X²) p > 0.05; RMSEA (Root Mean squer Error of Approkimation) < 0.08; GFI (Goodness Of Fit Index) > 0.9 dan yang lainnya yang akan menguji bahwa perbedaannya tidak bermakna sehingga hipotesis nihil tidak di tolak (signifikan). Bila demikian maka dikatakan tidak ada perbedaan antara model teoritis dibandingkan dengan data empiri. Artinya model teoritis sesuai (fit) dengan data empiri.

Langkah 7. Interpretasi dan Modifikasi Model

Langkah terakhir dari SEM adalah melakukan interpretasi bilamana model yang dihasilkan sudah cukup baik. Interpretasi dilakukan terhadap model struktural yang menggunakan matrik kovarians dan interpretasi terhadap analisis jalur yang menggunakan matriks korelasi. Khusus untuk interpretasi pada analisis jalur yang dilihat antara lain : efek langsung, efek tak langsung, dan efek total.

cara membaca model pengukuran dan model structural.

1. Model Pengukuran

Berdasarkan model pengukuran pada gambar 10.5 maka dapat dibuat tabel ringkasan yang menunjukkan informasi tentang validitas dan reabilitas factor/indikator yang membentuk variabel laten orientasi pilihan bidangkeahlian seperti tampak pada tabel 10.4 berdasarkan tabel 10.4 dapat disimpulkan bahwa faktor kemampuan manual, kemampuan penalaran dan persepsi terhadap pendidikan lanjut memberikan pengaruh yang bermakna terhadap orientasi pilihan bidang keahlian siswa.

TABEL:

KOEFISIEN VALIDITAS DAN RELIABILITAS INTRUMEN

ORIENTASI PILIHAN BIDANG KEAHLIAN

NO.	Faktor	Koefisian Validitas (λ)	Koefisien Reliabilitas (1- δ )
1.	Kemampuan manual	0,57	0,83
2.	Kemampuan Penalaran	0,51	0,75
3.	Persepsi pada pendidikan Lanjut	0,46	0,70

Hasil ini menunjukkan bahwa faktor keahlian yang berorentasi pada kemampuan penalaran, keahlian yang berorientasi pada kemampuan manual dan kemampuan mempersepsi pendidikan lanjut merupakan faktor-faktor yang memberikan kontribusi pada konstruk indikator orientasi pilihan bidang keahlian siswa SMP.

2. Model Stuktural

Gambar 10.6 adalah contoh modal struktural yang cocok (fit model) menurut kriteria Goodness-of-fit. Berdasarkan Gambar 10.6 tersebut dapat di kemukakan beberapa informasi yang berkaitan dengan efek langsung dan efek tak langsung. Efek langsung mencakup hubungan antara variable bebas dan variable terikat. Efek tak langsung mencakup hubungan antara variable eksogen dan variable terikat (indirect effects of KSI on ETA).

1. Efek langsung Variable Bebas terhadap Variabel Terikat

Variabel bebasnya adalah : Kualitas Orang Tua, Kualitas Sekolah, melek Teknologi, Kemampuan Umum, dan Pemahaman Diri. Variabel terikatnya adalah orientasi pilihan bidag keahlian.

Berdasarkan Gambar sebelumnya dapat ditampilkan model hubungan struktural langsung antara variable bebas dan variable terikat seperti tampak pada Gambar dibawah ini.

Gambar model hubungan struktural variabel bebas dan variabel terikat

Analisis efek langsung antar variabelini dapat dilihat pada estimasi koefisien struktural dan nilai-t dari masing-masing parameter. Secara ringkas, hasil analisis perhitungan besarnya estimasi koefisien struktural tersebut dapat dilihat pada tabel.

TABEL :

RINGKASAN HASIL ANALISIS EFEK LANGSUNG

VARIABEL BEBAS TERHADAP VARIABEL TERIKAT

No	Variabel	Parameter	Estimasi	Nilai-T
1	Kualitas orang tua dengan orientasi pilihan bidang keahlian	ϒ₄₁	0,33	4,69
2	Kualitas sekolah dengan orientasi pilihan bidang keahlian	ϒ₄₂	0,70	7,25
3	Kemampuan umum dengan orientasi pilihan bidang keahlian	Β₄₁	0,20	4,45
4	Melek teknologi dengan orientasi pilihan bidang keahlian	Β₄₂	-0,37	-4,89
5	Pemahaman diri dengan orientasi pilihan bidang keahlian	Β₄₃	0,21	2,87

Berdasarkan Tabel 10.5 dapat dijelaskan gambaran efek langsung variabel-varriabel bebas terhadap variabel terikat sebagai berikut.

a. Terdapat efek langsung dan bermaknas kualitas orang tua terhadap orientasi pilihan bidang keahlian siswa SMP dengan harga estimasi ϒ₄₁ = 0,33 dan nilai-t = 4,69 > 1,96

b. Terdapat efek langsung dan bermakna kualitas sekolah terhadap orientasi pilihan bidang keahlian siswa SMP dengan harga estimasi ϒ₄₂ =0,70 dan nilai-t = 7,25 > 1,96

c. Terdapat efek langsung dan bermakna kemampuan umum terhadap orientasi pilihan bidang keahlian siswa SMP dengan harga estimasi β ₄₁ = 0,20 dan nilai-t = 4,45 > 1,96

d. Terdapat efek langsung dan negatif Melek Teknologi terhadap orientasi pilihan Bidang Keahlian siswa. SMP dengan harrga estimasi β ₄₂ = - 0,37 dan nilai –t = -4,89>1,96

e. Terdapat efek langsung dan bermakna pemahaman diri terhadap orientasi pilihan bidang keahlian siswa SMP dengan harga estimasi β ₄₃= 0,21 dan nilai-t = 2,87 > 1,96

2. Efek Tak LangsungVariabel Eksogen terhadap Variabel Terikat (Indirect Effecs of KSI on ETA)

Variabel eksogen meliputi kualitas orang tua dan kualitas sekolah, sedangkan orientasi pilihan bidang keahlian sebagai variabel terikat. Berdasarkan gambar 10.6 dapat ditampilkan model structural efek tak langsung variabel eksogen terhadap variabel terikat tersebut seperti pada gambar 10.8a dan gambar 10.8b.

Analisis efek tak langsung antar variabel ini dapat di lihat pada estimasi koefisien struktural dan nilai-T dari masing-masing parameter. Secara ringkas, hasil analisis perhitungan besarnya estimasi koefisien structural tersebut dapat di lihat pada tabel diatas.

a. Terdapat efek tak langsung dan bermakna kualitas orang tua terhadap orientasi pilihan bidang keahlian siswa SMP melalui variabel kemampuan umum, Melek teknologi, dan pemahaman diri yaitu dengan harga estimasi 0,05 dan nilai-T 3,57>1,96.

b. Terdapat efek tak langsung dan bermakna kualitas sekolah terdapat orientasi pilihan bidang keahlian siswa SMP melalui variabel kemampuan umum dan pemahaman diri dengan harga estimasi 0,17 dan nilai-T 2,56>1,96.

Untuk menentukan model structural cocok (fit) atau tidak dapat menggunakan kriteria berikut seperti pada tabel 10.7.

Tabel :

GOODNESS OF FIT STATISTICS

No.	Statistik	Kriteria “fit”
1.	X²	p>0,05
2.	Noncentrality parameter (NCP)	<<<
3.	Root mean square error of approximation (RMSEA)	<0,08
4.	Exspected cross-validation index (ECVI)	ECVI< ECVI sat. & indep. Model
5.	Akaike information criteria (AIC)	AIC<AIC sat. & indep. Model
6.	Goodness-of-fit-index (GFI)	>0,9
7.	Adjusted goodness-of-fit-index (AGFI)	>0,9
8.	Parsimanious goodness-of-fit-index (PGFI)	>0,9
9.	Normed fit index (NFI)	>0,9
10.	Parsimanious Normed fit index (PNFI)	>0,9
11.	Comperative fit index (CFI)	>0,9
12.	Non-normed fit index (NNFI)	>0,9
13.	Incremental fit index (IFI)	>0,9
14.	Relative fit index (RFI)	>0,9
15.	Standardized root mean square residual (SRMR)	<0,05
16.	Critical N (CN)	<N

Statistika Dasar

statistik

Kamis, 20 November 2014

Pemodelan Persamaan Struktural

Tidak ada komentar:

Posting Komentar