1 / 55

PRELIS 2, Model Pengukuran dan Model Struktural

PRELIS 2, Model Pengukuran dan Model Struktural. Dr. Setyo Hari Wijanto <setyohw@idola.net.id>. Bab 5 Data Input dan PRELIS2. Dr. Setyo Hari Wijanto <setyohw@idola.net.id>. Jenis Raw Data.

ozzy
Download Presentation

PRELIS 2, Model Pengukuran dan Model Struktural

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. PRELIS 2,Model Pengukuran dan Model Struktural Dr. Setyo Hari Wijanto <setyohw@idola.net.id>

  2. Bab 5Data Input dan PRELIS2 Dr. Setyo Hari Wijanto <setyohw@idola.net.id>

  3. Jenis Raw Data • Salah satu data input adalah raw data yang merupakan data dari variabel-variabel teramati (observed variables) yang ada di dalam model. • Raw data ini bisa diperoleh dari survei (yang dikenal sebagai data primer) atau dari berbagai sumber data (data sekunder). • LISREL 8 mempunyai 3 jenis data input yang dapat digunakan, yaitu: • Ordinal (ordinal) • Continue (kontinu) • Censored (sensor) Bab 6 Model Pengukuran

  4. ORDINAL VARIABLE • Ketika data dikumpulkan melalui wawancara atau kuesioner  observed variables adalah ordinal, yaitu, respon-respon diklasifikasikan ke dalam kategori-kategori yang berurutan. • Sebuah ordinal variabel z bisa dianggap sebagai ukuran mentah/kasar dari unobserved atau unobservable continuous variable z* yang mendasarinya. • Misalkan 4 point ordinal scale dapat dituliskan: • If z* <= T1 , z is scored 1 • If τ1 < z* <= τ2, z is scored 2 • If τ2 < z* <= τ3, z is scored 3 • If τ3 > z* , z is scored 4 Dimana τ1 < τ2 < τ3 adalah threshold values untuk z* . Sering diasumsikan bahwa z* mempunyai distribusi normal. Bab 6 Model Pengukuran

  5. ORDINAL VARIABLE • Dengan mengasumsikan setiap pasang z* mempunyai bivariate normal distribution, maka jenis koefisien korelasi yang dapat dihitung adalah sebagai berikut: • Polychoric – Kedua z variables mempunyai sebuah skala ordinal • Tetrachoric - Kedua z variables mempunyai sebuah skala dikotomi • Polyserial – Satu z variable mempunyai skala ordinal dan yang lainnya mempunyai skala interval • Biserial - Satu z variable mempunyai skala interval dan yang lainnya mempunyai skala dikotomi Bab 6 Model Pengukuran

  6. ORDINAL VARIABLE Bab 6 Model Pengukuran

  7. Variabel Kontinu dan Skor Normal • Perlunya Skor Normal • Untuk variabel kontinu yang tidak normal. Jika metode estimasi Maximum Likelihood (ML) yang digunakan, kesalahan standar dan chi-squares bisa agak tidak tepat. Secara teoritis, Weighted Least Square (WLS atau ADF) dengan weight matrix yang tepat akan menghasilkan kesalahan standar dan chi-squares tepat, tetapi hal ini memerlukan sampel yang besar. • Salah satu solusi atas ketidak-normalan dari variabel kontinu jika sampel tidak terlalu besar adalah melakukan normalisasi variabel sebelum melakukan analisis (Joreskog et.al. 1999). Salah satu fitur dari LISREL 8.8 adalah Normal Scores yang menawarkan cara efektif untuk menormalisasikan variabel kontinu. Bab 6 Model Pengukuran

  8. Variabel Kontinu dan Skor Normal Bab 6 Model Pengukuran

  9. Variabel Kontinu dan Skor Normal Bab 6 Model Pengukuran

  10. Variabel Kontinu dan Skor Normal Bab 6 Model Pengukuran

  11. Variabel Sensor • Suatu variabel sensor adalah variabel yang mempunyai bagian dari observasi yang cukup banyak pada nilai minimum dan maksimum. • Sensor di bawah (censored below) y = c jika y* ≤ c = y* selain itu Bab 6 Model Pengukuran

  12. Variabel Sensor • MAINTNCE = Rata-rata banyaknya waktu (dalam menit) setiap hari yang dihabiskan untuk pemeliharaan (sebagai variabel dependen) • AGE = dalam tahun • HOUSE = 1, jika responden tinggal di sebuah rumah, = 0 selain itu • RECHOUSE = 1, jika responden mempunyai sebuah rumah rekreasi, = 0 selain itu • CAR =1, jika responden mempunyai mobil, = 0 selain itu • SCHOOLYR = lamanya responden bersekolah (dalam tahun) • INCOME = disposable income dari responden (dalam mata uang Swedia SEK) • MARGTAX = Respondent’s marginal tax rate dalam % SY= MAINTENANCE.PSF CR MAINTNCE on AGE – MARGTAX OU Bab 6 Model Pengukuran

  13. Variabel Sensor Bab 6 Model Pengukuran

  14. PRELIS2 • PRELIS merupakan singkatan dari preprocessor for LISREL telah tersedia sejak tahun 1986 yaitu pada LISREL 7. • Fungsi utama dari PRELIS adalah perhitungan berbagai statistik untuk digunakan sebagai input data bagi program LISREL. • Pada LISREL 7 dan LISREL 8 versi awal kita harus membuat sintaks PRELIS sebelum menjalankannya, maka pada LISREL 8.8, penggunaan PRELIS dapat dilakukan secara: • interaktif • melalui pembuatan sintak Bab 6 Model Pengukuran

  15. PRELIS2 • Interaktif Bab 6 Model Pengukuran

  16. PRELIS2 • Interaktif Bab 6 Model Pengukuran

  17. PRELIS2 • Interaktif Bab 6 Model Pengukuran

  18. PRELIS2 • Sintak PRELIS untuk Input PSF Bab 6 Model Pengukuran

  19. PRELIS2 • Sintak PRELIS untuk Input PSF  Contoh Bab 6 Model Pengukuran

  20. PRELIS2 • Sintak PRELIS untuk Input Text File Bab 6 Model Pengukuran

  21. PRELIS2 • Sintak PRELIS untuk Input Text File  Contoh Bab 6 Model Pengukuran

  22. Bab 6Model Pengukuran Dr. Setyo Hari Wijanto <setyohw@idola.net.id>

  23. Confirmatory Factor Analysis • Iktisar Prosedur • Spesifikasi Model • Pengumpulan Data • Pembuatan Program SIMPLIS • Menjalankan Program SIMPLIS dan Analisis Keluarannya • Offending Estimate Negative Error Variance • Analisis Validitas  Standardized Loading ≥0.50 atau ≥ 0.70 • Uji Kecocokan Keseluruhan Model • Analisis Reliabilitas • Respesifikasi  Modification Index Bab 6 Model Pengukuran

  24. Confirmatory Factor Analysis • Spesifikasi Bab 6 Model Pengukuran

  25. Confirmatory Factor Analysis • Pengumpulan Data  dikonversikan ke Normal Score • Pembuatan Program SIMPLIS Bab 6 Model Pengukuran

  26. Confirmatory Factor Analysis • Menjalankan Program SIMPLIS dan analisis keluaran Bab 6 Model Pengukuran

  27. Confirmatory Factor Analysis • Menjalankan Program SIMPLIS dan analisis keluaran Bab 6 Model Pengukuran

  28. Confirmatory Factor Analysis • Menjalankan Program SIMPLIS dan analisis keluaran Bab 6 Model Pengukuran

  29. Confirmatory Factor Analysis • Menjalankan Program SIMPLIS dan analisis keluaran Bab 6 Model Pengukuran

  30. Confirmatory Factor Analysis • Menjalankan Program SIMPLIS dan analisis keluaran Bab 6 Model Pengukuran

  31. Confirmatory Factor Analysis • Menjalankan Program SIMPLIS dan analisis keluaran Bab 6 Model Pengukuran

  32. Confirmatory Factor Analysis • Menjalankan Program SIMPLIS dan analisis keluaran Bab 6 Model Pengukuran

  33. Confirmatory Factor Analysis • Menjalankan Program SIMPLIS dan analisis keluaran Bab 6 Model Pengukuran

  34. Confirmatory Factor Analysis • Menjalankan Program SIMPLIS dan analisis keluaran Bab 6 Model Pengukuran

  35. Confirmatory Factor Analysis • Menjalankan Program SIMPLIS dan analisis keluaran Bab 6 Model Pengukuran

  36. Confirmatory Factor Analysis • Menjalankan Program SIMPLIS dan analisis keluaran Bab 6 Model Pengukuran

  37. Second Order Confirmatory Factor Analysis Bab 6 Model Pengukuran

  38. Second Order Confirmatory Factor Analysis Bab 6 Model Pengukuran

  39. Second Order Confirmatory Factor Analysis Bab 6 Model Pengukuran

  40. Second Order Confirmatory Factor Analysis Bab 6 Model Pengukuran

  41. Latent Variable Score (LVS) Bab 6 Model Pengukuran

  42. Latent Variable Score (LVS) Bab 6 Model Pengukuran

  43. Latent Variable Score (LVS) Bab 6 Model Pengukuran

  44. Latent Variable Score (LVS) Bab 6 Model Pengukuran

  45. Latent Variable Score (LVS) Bab 6 Model Pengukuran

  46. Self Gambar 6.22.a. 1 Selfest 0 Self Gambar 6.22.b. Latent Variable Score (LVS) Bab 6 Model Pengukuran

  47. IK1 IK4 IO1 IO6 IT1 IT5 ITKnow ITOps ITObj IT_Comp FP1 Firm_Perf Org_Learn FP4 Infoacq Infodis Sharint Decmem Procmem IA1 IA6 ID1 ID6 SI1 SI5 DM1 DM7 PM1 PM5 Latent Variable Score (LVS) • Penyederhanaan Model Bab 6 Model Pengukuran

  48. ITknow ITops ITobj It_comp 1 0 Firm_Perf FirmLVS Org_learn Infoacq Infodis Sharint Decmem Procmem Latent Variable Score (LVS) • Penyederhanaan Model Bab 6 Model Pengukuran

  49. Bab 7Model Struktural Dr. Setyo Hari Wijanto <setyohw@idola.net.id>

  50. Model Struktural Rekursif Bab 6 Model Pengukuran

More Related