Multigroup Structural Equation Modeling (SEM)Menggunakan JASP: Bagian 1 - Pengantar

Rizqy Amelia Zein

Dosen, Fakultas Psikologi, Universitas AirlanggaAnggota, #SainsTerbuka Airlangga Relawan, INA-RxivResearcher-in-training, Institute for Globally Distributed Open Research and Education (IGDORE)

1 / 21

Menghubungi saya?   amelia.zein@psikologi.unair.ac.id

@ameliazein

@rameliaz

https://rameliaz.github.io

Materi dalam paparan ini berlisensi 4.0 dan tersedia di laman web pribadi saya (https://rameliaz.github.io/mlm-lme-workshop/). Kode tersedia secara terbuka di repositori saya.

2 / 21

Sebelum istirahat (09.00-11.30)Sebelum istirahat (09.00-11.30)PengantarPengantar

Apa itu Apa itu structural equation modelingstructural equation modeling (SEM)? (SEM)?Mengapa dan pada kondisi seperti apa SEMMengapa dan pada kondisi seperti apa SEMdiperlukan?diperlukan?Beberapa pilihan perangkat lunak untukBeberapa pilihan perangkat lunak untukmengeksekusi SEMmengeksekusi SEMYang tidak dicakup dalam Yang tidak dicakup dalam workshopworkshop serta sertaketerbatasan JASPketerbatasan JASP

OutlineOutline Hari 1: Jumat, 22 November 2019 Hari 1: Jumat, 22 November 2019

3 / 213 / 21

Sebelum istirahat (09.00-11.30)Jenis-jenis koe�sien korelasiFaktor-faktor yang membuat koe�sien korelasibervariasiKKoreksi atenuasi dan measurement errorVariance-covariance dan correlation matrixWARNING! Covariance/correlation matrix is notpositive de�niteHeywood dan ultra-Heywood caseBivariat, part, dan partial correlationMetrik variabel (standardised vs unstandardised)

Outline Hari 1: Jumat, 22 November 2019

4 / 21

Setelah istirahat (13.00-16.00)De�nisi path modelNama variabel dan koe�sien jalur (path coef�cients)

δ (delta), ε (epsilon), ξ (ksi), η (eta), λ (lambda), γ(gamma), β (beta), φ (phi), ζ (zeta)

Representasi visual model jalur menggunakandiagram jalur (path diagram)Menggambarkan hubungan antar-variabel denganmenggunakan diagram jalurSyntax lavaan untuk spesi�kasi model jalurAsumsi kausalitas (?) dan limitasi

Outline Hari 1: Jumat, 22 November 2019

5 / 21

Sebelum istirahat (09.00-12.00)Sebelum istirahat (09.00-12.00)De�nisi De�nisi factor analysisfactor analysisExploratoryExploratory vs vs con�rmatory factor analysiscon�rmatory factor analysisKapan menggunakan CFA?Kapan menggunakan CFA?Constraining parameterConstraining parameter model modelModel pengukuran (paralel, Model pengukuran (paralel, tau equivalencetau equivalence, dan, dancongenericcongeneric))Variabel indikator (re�ektif vs formatif)Variabel indikator (re�ektif vs formatif)Correlated error variancesCorrelated error variancesMetode estimasiMetode estimasiMenuliskan hasil analisis CFA dalam laporanMenuliskan hasil analisis CFA dalam laporanpenelitianpenelitian

OutlineOutline Hari 2: Sabtu, 23 November 2019 Hari 2: Sabtu, 23 November 2019

6 / 216 / 21

Setelah istirahat (13.00-16.00)Dasar-dasar Structural Equation Modeling (SEM)

Dasar-Dasar SEM: Model struktural & pengukuranTahapan modeling dengan menggunakan SEM

Spesi�kasi modelIdenti�kasi modelEstimasi modelMenguji modelMemodi�kasi model

Degree of freedomUnderidenti�ed, just-identi�ed, dan overidenti�edmodel

Outline Hari 2: Sabtu, 23 November 2019

7 / 21

Setelah istirahat (13.00-16.00)Dasar-dasar Structural Equation Modeling (SEM)

Jenis-jenis kriteria untuk menilai ketepatan model(model �t)

Model �tModel comparison/Incremental �t indicesModel parsimonyParameter �t

Menguji hipotesisStatistical powerUkuran sampel

Membandingkan antara pendekatan dua-langkahdengan empat-langkah modeling dengan SEMMenuliskan hasil analisis SEM dalam laporanpenelitian

Outline Hari 2: Sabtu, 23 November 2019

8 / 21

Setelah istirahat (13.00-16.00)Multiple-group SEM (MG-SEM)

Kapan perlu menggunakan MG-SEM?Measurement invariance

Con�gural invarianceWeak/metric invarianceStrong/scalar invarianceStrict/residual invarianceHomogeneity of latent variable variancesHomogeneity of factor means

Mengevaluasi measurement invarianceMenuliskan hasil analisis MG-SEM dalam laporanpenelitian

Outline Hari 2: Sabtu, 23 November 2019

9 / 21

Apa itu Apa itu structural equationstructural equationmodelingmodeling??

Pernahkah bapak/ibuPernahkah bapak/ibumenggunakan SEM sebelumnya?menggunakan SEM sebelumnya?

Untuk apa SEM digunakan?Untuk apa SEM digunakan?

10 / 2110 / 21

SEM adalah...Memuat hubungan antara observed dan latent variables dalam berbagai bentuk model teoritis. SEM memungkinkanpeneliti untuk melakukan pengujian hipotesis yang berkaitan dengan model tersebut.

Model SEM mengasumsikan (hipotesis) bahwa seperangkat variabel (observed) mende�nisikan sebuah konstruklaten, dan menggambarkan bagaimana hubungan antara konstruk-konnstruk laten ini.

Tujuan SEM adalah untuk mengetahui apakah model teoritik yang diuji peneliti didukung oleh data

Apabila data memberikan bukti yang mendukung bahwa hubungan antar konstruk/variabel terjadi, makamungkin hubungan tersebut memang benar-benar ada di populasi.Apabila data tidak memberikan bukti yang mendukung korelasi yang dihipotesiskan, maka peneliti dapatmelakukan re-spesi�kasi model dan menguji kembali model yang sudah dire-spesi�kasi tersebut, ataumenyusun ulang model yang baru untuk kemudian diuji kembali.

11 / 21

Variabel observed

Variabel yang dapat diukur langsung denganberbagai cara/strategi.Dalam pengukuran Psikologi, item pernyataan(dalam skala Psikologi - bisa dalam bentuk skalaLikert atau yang lain) adalah variabel observed.Variabel observed dapat mere�eksikanvariabel latent atau bisa menjadi kombinasilinear atas variabel observed yang lain (index).

Variabel latent

Konstruk/variabel yang tidak dapat diukursecara langsung.Oleh karena itu, membutuhkan variabelobserved untuk mengukurnya.Variabel latent dapat berperan sebagai variabelindependent atau dependent.

Jenis-jenis variabel

12 / 21

Variabel Eksogen dan EndogenVariabel eksogen variabel yang hanyamemberi direct effect pada variabel lain didalam model yang samaVariabel endogen variabel yang hanyamenerima direct effect pada variabel lain didalam model yang sama

Jenis-jenis variabel

13 / 21

Seorang peneliti ingin mengukur kepribadianseorang responden dengan menggunakanpendekatan Five-Factor Model (Big 5), maka aitemdalam skala tersebut adalah observed variable,sedangkan dimensi dari Big 5 (neuroticism,agreeableness, conscientiousness, dan extraversion)adalah latent variable.

Seorang peneliti Psikologi Pendidikan ingin tahuapakah kepercayaan orang tua bahwa anaknyadapat berkembang secara natural (trust inorganismic development - independent latentvariable) berkorelasi dengan tingkat kemandiriananak (dependent latent variable).

Contohnya...

14 / 21

Dalam konteks Psikologi Klinis, seorang pakarpublic mental health ingin tahu apakah status sosio-ekonomi (observed independent variable) dapatberdampak pada kondisi kesehatan mental individu(latent dependent variable).

Dalam sebuah penelitian Psikologi Sosial, penelitiingin tahu apakah kepribadian seseorang(independent latent variable) dapat menjelaskanmengapa orang merespon pelanggaran moral secaraberbeda (dependent latent variable).

Contohnya...

15 / 21

Model regresi (linear/OLS)

Menguji hubungan antar variabel observed

Model jalur (path model)

Menguji hubungan antara variabel observeddan latent

Model pengukuran (measurementmodel/con�rmatory factor analysis)

Menguji apakah aitem-aitem dari skalaPsikologi (yang mengukur konstruk latentertentu) memang betul-betul mengukurkonstruk tersebut validitas konstruk.

SEM biasanya mengandung setidaknya dua model,yaitu model pengukuran dan model struktural(regresi/jalur).

Model SEM

16 / 21

Mengapa SEM dilakukan?Peneliti sudah memiliki kesadaran bahwa ia harus menyelidiki beberapa variabel penelitian secara bersamaan untukmenjawab pertanyaan penelitiannya.

Ada kesadaran bahwa peneliti selama ini mengabaikan faktor error pengkuran. SEM membantu peneliti untukmengurangi efek measurement error terhadap hasil analisis data. Untuk itu, peneliti dapat sekaligus mengujiproperti/kualitas psikometrik instrumen yang digunakan.

Selama beberapa dekade kebelakang, SEM termasuk teknik analisis data yang sudah cukup matangpengembangannya, dan dapat mudah dilakukan dengan bantuan perangkat lunak.

Perangkat lunak SEM sudah cukup user-friendly

JASP adalah perangkat lunak SEM yang hanya memerlukan coding yang sangat minimal.Namun JASP fungsinya agak terbatas, karena tidak menyediakan opsi power analysis (digunakan untukmerencanakan jumlah sampel) dan simulasi.Selain itu, peneliti dapat menggunakan Onyx, LISREL, AMOS, EQX, Mplus, STATA, dsb.

SEM adalah teknik yang lebih sophisticated untuk menggambarkan hubungan antar-variabel karena membuangerror pengukuran dari estimasi korelasi, dan mengurangi bias estimasi model karena konstruk laten diperlakukansebagaimana mestinya, bukan dianggap seolah-olah observed variable.

17 / 21

Exploratory factor analysis (EFA)A priori power analysis, Monte Carlo simulation,dan accuracy in parameter estimation (AIPE) merupakan teknik-teknik yang digunakan untukmengestimasi jumlah sampelMixture model (SEM untuk desain penelitianlongitudinal) latent growth curveModel SEM dengan missing dataModel SEM dengan variabel moderator/mediator,atau moderated mediation atau mediatedmoderationModel SEM ketika variabel indikatornyadichotomousHierarchical latent variable model (second-orderCFA, misalnya)SEM dengan model pengukuran formatif danmultiple indicators, multiple causes (MIMIC)

Yang tidak dicakup oleh workshop ini...

18 / 21

🔈 Data berdistribusi normal (🔈 Data berdistribusi normal (multivariatemultivariate))

🔈 Korelasi antar variabel sifatnya linear🔈 Korelasi antar variabel sifatnya linear

Ketika menggunakan SEM, maka asumsinya...Ketika menggunakan SEM, maka asumsinya...

19 / 2119 / 21

Normalitas dataMengapa data tidak berdistribusi normal?

Bisa jadi bentuk datanya ordinal/nominal, sehingga kalau menggunakan skala Likert, maka kemungkinan besardistribusi data menjadi tidak normal.Jumlah sampel terlalu sedikit.Distribusi data yang tidak normal akan berdampak pada variance-covariance matrix.

Apa yang harus dilakukan?

Untuk mengkoreksi distribusi data yang juling (skewness), probit transformation merupakan strategi yangterbaik.Untuk mengkoreksi kurtosis yang tidak sesuai, membutuhkan prosedur yang agak lebih rumit. Beberapadiantaranya adalah dengan menambah jumlah responden, melakukan estimasi standard error dengan metodebootstrapping, atau bisa juga dengan menggunakan metode estimasi yang khusus untuk data yang tidakberdistribusi normal (weighted least squares).

20 / 21

Terima kasih banyak! 😉

Paparan disusun dengan menggunakan package xaringan dengan template dan fonts dari R-Ladies.

Chakra dibuat dengan remark.js, knitr, dan R Markdown.

21 / 21