Pemodelan Persamaan Struktural
- Diperkenalkan oleh
- Sewall Wright
- Tahun
- 1921
- Jenis
- Method
- Keluarga
- multivariate-modeling
Teks ini adalah terjemahan mesin dan belum ditinjau. Baca versi asli dalam bahasa Inggris
Apa fungsinya?
Pemodelan Persamaan Struktural (SEM) adalah kerangka statistik komprehensif yang menggabungkan analisis jalur (Sewall Wright, 1921) dan analisis faktor konfirmatori untuk menguji model kausal kompleks yang menghubungkan variabel teramati dan laten.
Diformalisasi oleh Jöreskog (1973) dengan perangkat lunak LISREL, SEM memungkinkan estimasi simultan hubungan pengukuran (bagaimana variabel mengukur konstruk laten) dan hubungan struktural (bagaimana konstruk memengaruhi hasil), menjadikannya kuat untuk pengujian teori dalam psikologi, epidemiologi, penelitian organisasi, dan ilmu kesehatan di mana mediasi, moderasi, dan proses laten yang kompleks memerlukan analisis terintegrasi.
Intuisi di balik metode
Banyak pertanyaan penelitian melibatkan rantai kausal yang kompleks: apakah variabel X memengaruhi hasil Y secara langsung, atau secara tidak langsung melalui mediator M? Apakah beberapa variabel teramati mengukur satu konstruk laten? SEM mengintegrasikan pertanyaan-pertanyaan ini ke dalam satu model. Kerangka kerja ini mencakup dua bagian: (1) model pengukuran—bagaimana variabel teramati berhubungan dengan konstruk laten (beban faktor), dan (2) model struktural—bagaimana konstruk berhubungan secara kausal satu sama lain (koefisien jalur). Berbeda dengan regresi (yang mengabaikan kesalahan pengukuran) atau analisis faktor saja (yang mengabaikan hubungan kausal), SEM mengestimasi jalur struktural sambil memperhitungkan kesalahan pengukuran. Pendekatan ganda ini menghasilkan inferensi yang lebih valid tentang proses yang mendasarinya dan memungkinkan pengujian efek tidak langsung (mediasi), moderasi, dan hubungan timbal balik.
Sejarah
Sewall Wright mengembangkan analisis jalur (1921) untuk menguraikan korelasi menjadi efek kausal langsung dan tidak langsung dalam genetika. Karl Jöreskog menyatukan analisis jalur dengan analisis faktor untuk menciptakan SEM, merilis perangkat lunak LISREL (Linear Structural Relations) pada tahun 1973, memungkinkan pengujian hipotesis yang kompleks. EQS Bentler (1985) dan AMOS Arbuckle (1995) membuat SEM lebih mudah diakses. Perkembangan modern meliputi estimasi robust (Yuan & Bentler, 2000), SEM multilevel (Hox & Maas, 2001), model struktural dinamis (kurva pertumbuhan laten; Bollen & Curran, 2006), dan SEM Bayesian (Lee, 2007).
Kapan digunakan
Gunakan SEM ketika menguji teori multivariat kompleks yang melibatkan mediasi, moderasi, konstruk laten, dan kausalitas timbal balik. Psikologi: menguji apakah koping kognitif (laten) memediasi efek stres terhadap depresi, atau bagaimana kepribadian memengaruhi perilaku melalui motivasi. Epidemiologi: memodelkan jalur risiko penyakit (misalnya, status sosial ekonomi → perilaku kesehatan → hasil kardiovaskular). Penelitian organisasi: menguji apakah kepemimpinan (diukur melalui beberapa item) memengaruhi kinerja melalui keterlibatan karyawan (laten). Pendidikan: memodelkan efek iklim sekolah (konstruk laten dari laporan guru dan siswa) terhadap prestasi siswa. SEM menangani variabel laten secara alami, menjadikannya ideal ketika konstruk bersifat abstrak atau diukur melalui beberapa indikator dengan kesalahan.
Batasan dan pertimbangan
- Memerlukan sampel besar dan desain seimbang: estimasi parameter tidak stabil dengan n kecil atau karakteristik sampel ekstrem; minimal n ≥ 100–200 dengan beberapa variabel laten.
- Mengasumsikan spesifikasi model yang benar secara apriori: SEM menguji model yang ditentukan; spesifikasi yang salah (jalur yang dihilangkan, arah kausal yang salah) mungkin cocok dengan baik meskipun salah (model ekuivalen).
- Beberapa model ekuivalen dimungkinkan: struktur jalur yang berbeda dapat mereproduksi matriks kovarians yang sama; SEM tidak dapat membedakan di antaranya tanpa teori atau batasan tambahan.
- Data non-eksperimental tidak menyiratkan kausalitas: koefisien jalur mewakili bobot regresi, bukan efek kausal; variabel pengganggu, kausalitas terbalik, dan bias seleksi masih mengancam validitas.
- Interaksi kompleks dan hubungan nonlinier sulit ditentukan dan diestimasi dalam SEM; biasanya mengasumsikan hubungan linier.
Syarat dari sumber tidak menggantikan tinjauan ilmiah independen atau validasi oleh mesin analisis.
Kelebihan
- Komponen pengukuran dan struktural terintegrasi: secara simultan mengestimasi bagaimana variabel mengukur konstruk (validitas) dan bagaimana konstruk berhubungan (pengujian teori).
- Memperhitungkan kesalahan pengukuran: koefisien jalur dikoreksi untuk ketidakandalan dalam pengukuran, menghasilkan estimasi struktural yang lebih valid daripada regresi.
- Menguji hubungan kompleks: mediasi, moderasi, efek tidak langsung, dan kausalitas timbal balik dalam satu kerangka kerja yang koheren.
- Fleksibel untuk data hilang: maximum likelihood full-information memungkinkan analisis dengan data tidak lengkap di bawah asumsi MCAR.
- Diagnostik kecocokan komprehensif: beberapa indeks (CFI, RMSEA, residual) memungkinkan evaluasi model yang menyeluruh dan identifikasi sumber ketidakcocokan spesifik.
Penerapan
- Psikologi klinis: menguji apakah paparan trauma memengaruhi depresi melalui pola kognitif negatif (mediasi); memodelkan dimensi laten psikopatologi.
- Kesehatan masyarakat: mengevaluasi apakah intervensi sosial-ekologis memengaruhi perilaku kesehatan (misalnya, keterlibatan komunitas → pengetahuan → perubahan perilaku → hasil kesehatan).
- Penelitian pendidikan: menilai apakah alokasi sumber daya sekolah memengaruhi pembelajaran siswa melalui kualitas guru dan iklim sekolah (konstruk laten).
- Perilaku organisasi: menguji apakah gaya kepemimpinan memengaruhi kinerja organisasi melalui motivasi dan komitmen karyawan (mediator laten).
- Penelitian perkembangan longitudinal: model kurva pertumbuhan laten melacak bagaimana individu berubah seiring waktu, memprediksi lintasan dari karakteristik awal.
Cara kerjanya
Cara kerjanya
Administrasikan SEM dengan: (1) menentukan model secara apriori berdasarkan teori (gambar atau diagram struktur kausal yang dihipotesiskan), (2) mendefinisikan variabel laten (konstruk abstrak yang Anda amati secara tidak langsung melalui variabel terukur) dan indikatornya, (3) menentukan jalur struktural (hipotesis kausal yang menghubungkan variabel/konstruk), (4) mengumpulkan data pada semua variabel teramati (biasanya kontinu; SEM dapat menangani ordinal/kategorikal dengan estimasi yang sesuai), (5) memastikan ukuran sampel yang memadai (minimal n ≥ 100, idealnya n ≥ 200; aturan praktis: n > 10× jumlah parameter yang diestimasi). Kumpulkan data dengan nilai hilang minimal; maximum likelihood full-information (FIML) SEM menangani data hilang di bawah asumsi missing completely at random (MCAR). Definisikan variabel eksogen (penyebab, biasanya tidak berkorelasi) dan variabel endogen (akibat, dapat disebabkan oleh variabel lain).
Estimasi SEM menggunakan metode maximum likelihood (ML) atau metode estimasi robust (MLR untuk data non-normal). Output mencakup: (1) Koefisien jalur terstandarisasi (bobot regresi antar variabel): dapat dibandingkan secara langsung antar jalur; koefisien 0,4 menunjukkan efek moderat. (2) Beban faktor: korelasi antara variabel laten dan indikatornya (≥0,5 dapat diterima, ≥0,7 kuat). (3) Standard errors dan statistik-z: menguji apakah koefisien secara signifikan berbeda dari nol. (4) Efek tidak langsung (mediasi): produk koefisien jalur di sepanjang rute tidak langsung; uji melalui bootstrapping (≥1000 iterasi). (5) R² untuk variabel endogen: proporsi varians yang dijelaskan. (6) Indeks kecocokan: CFI > 0,95, TLI > 0,95, RMSEA < 0,06, SRMR < 0,08 (Hu & Bentler, 1999). (7) Residual: nilai terstandarisasi harus mendekati nol; residual besar menunjukkan ketidakcocokan model pada hubungan tertentu. (8) Indeks modifikasi: menyarankan jalur alternatif; namun, modifikasi berbasis data mengorbankan validitas—modifikasi hanya berdasarkan teori.
Interpretasikan koefisien jalur terstandarisasi sebagai: koefisien 0,5 untuk jalur X→Y berarti peningkatan 1-SD pada X memprediksi peningkatan 0,5-SD pada Y (efek langsung), dengan variabel lain konstan. Jika koefisien p < 0,05, efeknya signifikan secara statistik. Efek tidak langsung: kalikan koefisien di sepanjang jalur mediasi. Misalnya, jika koefisien X→M adalah 0,3 dan M→Y adalah 0,4, efek tidak langsung = 0,3×0,4 = 0,12; interval kepercayaan 95% bootstrap harus mengecualikan nol untuk signifikansi. Efek total = langsung + tidak langsung; bandingkan dengan nol untuk menilai asosiasi keseluruhan. Kecocokan model: memenuhi semua kriteria kecocokan (CFI, RMSEA, dll.) menunjukkan model secara memadai mereproduksi struktur kovarians yang teramati. Residual mendekati nol mengonfirmasi kecocokan pada jalur individual. Indeks modifikasi > 3,84 menunjukkan jalur yang mungkin meningkatkan kecocokan, tetapi penambahan jalur ad-hoc meningkatkan kesalahan Tipe I; hanya spesifikasi ulang model berdasarkan justifikasi teoretis atau validasi silang pada sampel independen.
Kesalahan umum
- Modifikasi model berbasis data: penambahan jalur secara iteratif berdasarkan indeks modifikasi memanfaatkan peluang dan menghasilkan model yang mungkin tidak tereplikasi. Modifikasi harus dibenarkan secara teoretis apriori atau diuji pada sampel independen.
- Mengabaikan model pengukuran: hanya berfokus pada jalur struktural sambil membiarkan kesalahan pengukuran diestimasi secara bebas; pengukuran yang tidak memadai merusak validitas struktural.
- Melaporkan kecocokan model tanpa memeriksa residual: indeks kecocokan global yang baik tidak menjamin semua jalur cocok dengan baik. Periksa residual terstandarisasi dan indeks modifikasi untuk mengidentifikasi ketidakcocokan lokal.
- Memperlakukan SEM sebagai konfirmatori ketika digunakan secara eksploratif: jika model berasal dari data (spesifikasi post-hoc), laporkan sebagai eksploratif dan validasi pada sampel independen.
- Mencampuradukkan signifikansi statistik dengan signifikansi praktis: jalur yang signifikan (p < 0,05) tidak berarti efeknya besar atau bermakna. Laporkan ukuran efek (koefisien terstandarisasi) dan interval kepercayaan.
- Mengonsentrasikan model dengan terlalu banyak variabel laten: terlalu banyak konstruk laten relatif terhadap indikator dan ukuran sampel menghasilkan estimasi yang tidak stabil; gunakan SEM multigroup atau model bifaktor dengan hati-hati.
Pertanyaan yang sering diajukan
Apa perbedaan antara efek langsung dan efek tidak langsung (mediasi)?
Efek langsung adalah jalur dari X ke Y, mengukur bagaimana X memengaruhi Y secara langsung. Efek tidak langsung adalah jalur X→M→Y, mengukur bagaimana X memengaruhi Y melalui mediator M. Efek tidak langsung sama dengan produk jalur X→M dikalikan jalur M→Y. Efek total = langsung + tidak langsung. Mediasi terjadi ketika: (1) efek langsung X→Y berkurang setelah mengontrol M, dan (2) efek tidak langsung X→M→Y signifikan (interval kepercayaan bootstrap mengecualikan nol). Mediasi penuh: efek langsung menjadi tidak signifikan setelah memasukkan mediator. Mediasi parsial: baik efek langsung maupun tidak langsung signifikan, yang berarti X memengaruhi Y melalui beberapa jalur.
Bagaimana saya tahu jika model saya cocok dengan baik? Apa arti CFI dan RMSEA?
Kecocokan model dinilai oleh beberapa indeks (kriteria Hu & Bentler, 1999): CFI (Comparative Fit Index) membandingkan model Anda dengan model nol (semua variabel tidak berkorelasi); CFI > 0,95 menunjukkan kecocokan yang baik (rentang 0–1). RMSEA (Root Mean Square Error of Approximation) mengukur ketidaksesuaian antara model dan data per derajat kebebasan; RMSEA < 0,06 sangat baik, 0,06–0,08 baik, >0,10 buruk (mendekati nol lebih baik). TLI > 0,95 dan SRMR < 0,08 juga direkomendasikan. Memenuhi semua kriteria secara bersamaan menunjukkan kecocokan yang baik. Namun, kecocokan global yang baik tidak menjamin semua jalur cocok; periksa residual terstandarisasi (harus < |2|) dan indeks modifikasi.
Apa itu variabel laten, dan bagaimana cara mengukurnya?
Variabel laten adalah konstruk yang tidak teramati (misalnya, depresi, kecerdasan, budaya organisasi) yang diukur secara tidak langsung melalui beberapa indikator teramati (item kuesioner, skor tes). Setiap indikator mencerminkan konstruk laten ditambah kesalahan pengukuran. Dalam SEM, Anda menentukan variabel teramati mana yang mengukur variabel laten mana melalui beban faktor. Misalnya, variabel laten 'depresi' dapat diukur oleh item: kesedihan, keputusasaan, gangguan tidur (indikator teramati). Setiap beban harus ≥0,5; jika indikator memiliki beban yang lemah, pertimbangkan untuk menghapusnya atau merekonseptualisasi konstruk laten.
Bisakah saya menggunakan SEM untuk menetapkan kausalitas dari data observasional?
Tidak. SEM mengestimasi asosiasi dan menguji apakah model kausal yang dihipotesiskan mereproduksi struktur korelasi dalam data. Koefisien jalur mewakili bobot regresi (asosiasi kondisional), bukan efek kausal. Kausalitas memerlukan: (1) keutamaan temporal (X diukur sebelum Y), (2) kovariasi (X dan Y berkorelasi), (3) tidak ada alternatif yang masuk akal (variabel pengganggu, kausalitas terbalik). SEM observasional melanggar kriteria 3: variabel pengganggu dan penyebab yang tidak terukur mengancam validitas. Kecocokan statistik SEM saja tidak dapat membuktikan kausalitas. Gunakan SEM dengan teori, bukti kualitatif, dan desain studi (randomisasi, variabel instrumental) untuk memperkuat inferensi kausal. Pertimbangkan analisis sensitivitas yang menguji model alternatif.
Metode terkait
Sumber
Jöreskog, K. G., & Sörbom, D. (1973). LISREL: A general computer program for estimating a linear structural equation system. Research Bulletin 73-5. University of Stockholm.
Buka referensi publikasiDisalin.Hu, L. T., & Bentler, P. M. (1999). Cutoff criteria for fit indices in covariance structure analysis: Conventional criteria versus new alternatives. Structural Equation Modeling, 6(1), 1–55.
Buka referensi DOIDisalin.Wright, S. (1921). Correlation and causation. Journal of Agricultural Research, 20(7), 557–585.
Buka referensi publikasiDisalin.