Evaluasi Kecocokan Model Dalam Lisrel8.72

EVALUASI KECOCOKAN MODEL DALAM LISREL 8.
72 FOR WINDOWS
Oleh :
Abdullah M. Jaubah
Pendahuluan
Evaluasi kecocokan model dalam Lisrel mengandung unsur-unsur subjektif karena tiap
peneliti mungkin memuat kecocokan secara keseluruhan antara model dan data berbeda
dengan peneliti lain. Setyo Hari Wijanto (2008 : 61-62) menanggap bahwa kecocokan secara
keseluruhan terdiri dari Statistic Chi-square, Non-Centrality Parameter, Scaled NCP,
Goodness of Fit Index, Root Mean Square Residu(an ?), Root Mean Square Error of
Approximation, dan Expected Cross-Validation Index. Karl G. Jreskog & Dag Srbom
sebagai pencipta Lisrel sendiri menganggap bahwa kecocokan secara keseluruhan mencakup
Minimum Fit Function Chi-Square, Root Mean Square Residual (RMR), Goodness of Fit
Index (GFI), dan Adjusted Goodness of Fit Index (AFGI).
Suatu bagian penting dalam aplikasi Lisrel 8.72 For Windows adalah evaluasi atas kecocokan
antara model dan data dan deteksi ketidakcocokan antara model dan data. Lisrel mengandung
perangkat yang tangguh untuk melakukan evaluasi kecocokan antara model dan data.
Perangkat untuk melakukan evaluasi kecocokan antara model dan data dapat dikelompokkan
ke dalam tiga kelompok yaitu pengujian atas pemecahan, pengukuran kecocokan secara
keseluruhan, dan evaluasi secara rinci atas kecocokan. Evaluasi dapat menimbulkan kesulitan
dan perbedaan. Arsip sintaksis proyek Lisrel EX1.ls8 akan dipakai untuk mencipta arsip
sintaksis proyek Simplis.
Pengujian atas Pemecahan
Pengujian atas pemecahan (examination of solution) merupakan cara pertama dalam
mengevaluasi kecocokan dari suatu model. Pengujian dilakukan atas hasil-hasil analisis.
Pengujian inni akan mencakup estimasi-estimasi parameter, kesalahan-kesalahan standar,
korelasi dari estimasi-estimasi parameter, korelasi jamak dikuadratkan, dan koefisien
determinasi.
Estimasi-estimasi Parameter
Estimasi-estimasi atas parameter harus mempunyai tanda dan ukuran yang tepat. Nilai-nilai
dari estimasi-estimasi parameter itu adalah tidak layak jika nilai-nilai varians adalah negatif,
nilai-nilai korelasi adalah lebih besar daripada 1, matriks kovarians atau matriks korelasi
tidak ditentukan sebagai nilai-nilai positif.
Kesalahan-kesalahan Standar
Kesalahan-kesalahan standar adalah estimasi-estimasi dari
ketepatan
dari tiap estimasi
parameter. Kesalahan-kesalahan standar jika kecil maka hal ini mencerminkan ketepatan
adalah baik dan kesalahan-kesalahan standar jika besar maka hal ini mencerminkan ketepatan
adalah buruk. Kesalahan-kesalahan standar itu kecil atau besar tergantung pada unit-unit
pengukuran dalam variabel-variabel indikator, variabel-variabel laten, dan besaran dari
estimasi parameter itu sendiri. Nilai-t sering dipakai, yang independen dari unit-unit
pengukuran. Suatu nilai-t didefinisikan sebagai suatu rasio antara estimasi parameter dan
kesalahan standar bersangkutan. Kesalahan standar yang sangat besar
mengindikasikan
bahwa parameter itu tidak dapat secara layak ditentukan leh data.
Korelasi dari Estimasi-estimasi Parameter
Suatu estimasi dari matriks kovarian asimptotik dari estimasi-estimasi parameter dapat
diperoleh dari matriks informasi. Korelasi dari estimasi-estimasi parameter dapat diperoleh
melalui penskalaan matriks kovarians asimptotik ke dalam suatu matriks korelasi. Hal ini
dapat diuji untuk mengungkap apakah korelasi-korelasi yang besar terdapat atau tidak
terdapat. Dua parameter atau lebih jika berkorelasi sangat kuat, maka model hampir tidak
dapat diidentifikasi dan beberapa dari parameter ini tidak dapat ditentukan dari data.
Korelasi Jamak Dikuadratkan dan Koefisien Determinasi
Program Lisrel memberikan korelasi jamak dikuadratkan untuk tiap variabel indikator secara
terpisah dan koefisien determinasi untuk semua variabel indikator secara bersama-sama. Hal
ini juga memberikan korelasi jamak dikuadratkan untuk tiap persamaan struktural dan
koefisien determinasi untuk semua persamaan struktural secara bersama-sama. Korelasi
jamak dikuadratkan ini merupakan suatu ukuran dari kekuatan suatu hubungan linear dan
koefisien determinasi merupakan suatu ukuran dari kekuatan beberapa hubungan secara
bersama-sama.
Pengukuran Kecocokan Secara Keseluruhan
2
Bagian kedua dari evaluasi model itu berhubungan dengan evaluasi atas kecocokan secara
keseluruhan antara model dan data. Kecocokan model secara keseluruhan mencakup empat
ukuran kecocokan secara keseluruhan yaitu chi-square, Root mean squared residual (RMR),
Goodness of fit index (GFI), dan Adjusted goodness of fit index (AGFI).
Chi-Square
Chi-square mungkin dipakai sebagai suatu pengujian statistik untuk menguji model terhadap
model alternatif jika model adalah benar dan ukuran sampel adalah cukup besar.
Root Mean Square Residual
Root mean square residual adalah suatu ukuran dari rata-rata residual dan hanya dapat
diinterpretasikan dalam hubungan pada ukuran dari varians-varians yang diobservasi dan
kovarians. Ukuran ini akan bekerja dengan baik jika semua variabel yang diobservasi itu
distandarkan. Root Mean Squared Residual juga dipakai untuk membandingkan kecocokan
antara dua model atau lebih.
Goodness of Fit Index
Ukuran kecocokan secara keseluruhan adalah Goodness of Fit Index dan
Root Mean
Residual.
Adjusted Goodness of Fit Index
Adjusted Goodness of Fit Index dapat disesuaikan melalui derajat kebebasan atau melalui
Goodness of Fit Index.
Keempat ukuran untuk melakukan pengujian dan evaluasi kecocokan keseluruhan model
dapat disajikan sebagai berikut :
Hasil Pengujian Kecocokan Keseluruhan Model
Uraian
Minimum Fit Function Chi-Square

Root Mean Square Residual (RMR)
Goodness of Fit Index (GFI)
Adjusted Goodness of Fit Index (AGFI)
Standar
Realisasi
Evaluasi
P: >0.05
P: >0.05
>=0.90
>=0.90
Karl G. Jreskog dan Dag Srbom (1989 : 43), dalam buku mereka yang berjudul Lisrel 7 : A
Guide to the Program and Applications 2nd Edition, menyatakan bahwa : The secon part of
the model evaluation concerns the assessment of the overall fit of the model to the data. The
goodness of fit of the whole model may be judged by means of four measures of overall fit :
Chi-square (2), Goodness of fit index (GFI), Adjusted goodness of fit index, Root mean
squared residual (RMR). Mereka (1989 : 44), dalam bagian lain, menyatakan bahwa :
It should be emphasis that the measures of 2 , GFI, AGFI,and RMR are measures of the
overall fit of the model to the data and do not express the quality of the model judge by any
other internal or external criteria. Mereka kemudian meyajikan contoh dari ukuran-ukuran
overall fit sebagai berikut :
Chi-Square with 33 Degree of Freedom = 29.10 (P = 0.662)
Goodness of Fit Index = 0.953
Adjusted Goodness of Fit Index = 0.908
Root Mean Square Residual = 0.065
Pendapat lain menganggap bahwa kecocokan dikelompokkan ke dalam
absolute fit
measures, incremental fit measures, parsimonious fit measures, dan other goodness fit
measures.
Ukuran-ukuran Overall fit di atas setelah diteliti lebih lanjut mengungkap bahwa ukuranukuran itu berasal dari contoh yang terdapat dalam EX1.LS8 yang terkandung dalam folder
LS8EX.
Goodness of Fit Statistics secara keseluruhan adalah sebagai berikut :
Goodness of Fit Statistics
Degrees of Freedom = 33
Minimum Fit Function Chi-Square = 29.10 (P = 0.66)
Normal Theory Weighted Least Squares Chi-Square = 26.97 (P = 0.76)
Estimated Non-centrality Parameter (NCP) = 0.0
90 Percent Confidence Interval for NCP = (0.0 ; 9.21)
Minimum Fit Function Value = 0.29
Population Discrepancy Function Value (F0) = 0.0
90 Percent Confidence Interval for F0 = (0.0 ; 0.093Root Mean Square Error of
Approximation (RMSEA) = 0.0
90 Percent Confidence Interval for RMSEA = (0.0 ; 0.053)
P-Value for Test of Close Fit (RMSEA < 0.05) = 0.94
Expected Cross-Validation Index (ECVI) = 1.00
90 Percent Confidence Interval for ECVI = (1.00 ; 1.09)
ECVI for Saturated Model = 1.33
ECVI for Independence Model = 14.16
Chi-Square for Independence Model with 55 Degrees of Freedom = 1380.26

Independence AIC = 1402.26
Model AIC = 92.97
Saturated AIC = 132.00
Independence CAIC = 1441.91
Model CAIC = 211.95
Saturated CAIC = 369.94
Normed Fit Index (NFI) = 0.98
Non-Normed Fit Index (NNFI) = 1.00
Parsimony Normed Fit Index (PNFI) = 0.59
Comparative Fit Index (CFI) = 1.00
Incremental Fit Index (IFI) = 1.00
Relative Fit Index (RFI) = 0.96
Critical N (CN) = 187.35
Root Mean Square Residual (RMR) = 0.065

Standardized RMR = 0.027
Goodness of Fit Index (GFI) = 0.95
Adjusted Goodness of Fit Index (AGFI) = 0.91
Parsimony Goodness of Fit Index (PGFI) = 0.48
Goodness of Fit Statistics, dalam Lisrel 9.10 Student Edition, contoh EX1.lis menghasilkan
informasi sebagai berikut :
Degrees of Freedom for (C1)-(C2)
Maximum Likelihood Ratio Chi-Square (C1)
Browne's (1984) ADF Chi-Square (C2_NT)
Estimated Non-centrality Parameter (NCP)
90 Percent Confidence Interval for NCP
33
29.394 (P = 0.6473)
27.247 (P = 0.7488)
0.0
(0.0 ; 12.673)
Minimum Fit Function Value

Population Discrepancy Function Value (F0)
90 Percent Confidence Interval for F0
Root Mean Square Error of Approximation (RMSEA)
90 Percent Confidence Interval for RMSEA
P-Value for Test of Close Fit (RMSEA < 0.05)
0.294
0.0
(0.0 ; 0.127)
0.0
(0.0 ; 0.0620)
0.893
Expected Cross-Validation Index (ECVI)

90 Percent Confidence Interval for ECVI
ECVI for Saturated Model
ECVI for Independence Model
0.990
(0.990 ; 1.117)
1.320
14.162
Chi-Square for Independence Model (55 df)

Normed Fit Index (NFI)
Non-Normed Fit Index (NNFI)
Parsimony Normed Fit Index (PNFI)
Comparative Fit Index (CFI)
Incremental Fit Index (IFI)
Relative Fit Index (RFI)
Critical N (CN)
Standardized RMR
1394.198
0.979
1.005
0.587
1.000
1.003
0.965
185.484
0.0652
0.0266
0.953
0.906
Parsimony Goodness of Fit Index (PGFI)
0.476
Evaluasi Secara Rinci atas Kecocokan

Evaluasi itu jika mencerminkan bahwa model tidak cukum cocok, berdasar atas ukuran
kecocokan secara keseluruhan, maka pengujian dapat dilakukan lebih lanjut untuk
menentukan sumber dari ketidakcocokan tersebut. Evaluasi secara rinci atas kecocokan
antara model dan data dapat dilakukan dan mencakup standardized residuals, modification
indices, dan ukuran-ukuran lain.
1.
Chi Square. Evaluasi ini adalah untuk mengembangkan dan menguji apakah model itu
cocok atau tidak cocok dengan data. Chi Square sangat bersifat sensitif terhadap
sampel yang terlalu kecil atau sampel yang terlalu besar. Evaluasi ini, oleh karena itu,
perlu dilengkapi dengan alat evaluasi lain. Nilai probability dari Chi-squares > 0.05
menandakan model adalah cocok dengan data empiris.
2.
Goodness Of Fit Indeks (GFI) adalah indeks yang mnggambarkan tingkat kecokokan
model secara keseluruhan yang dihitung dari residual kuadrat dari model yang
diprediksi dibanding dengan data aktual. Nilai GFI >= 0.90 mengisyaratkan model
dievaluasi itu adalah cocok dengan data.
3.
Root Mean Square Error of Approximation (RMSEA) merupakan ukuran yang

mencoba memperbaiki kecenderungan statistic chi ssquare yang menolak model
dengan jumlah sampel yang besar. Nilai RMSEA antara 0.05 dan 0.08
mengindikasikan indeks yang baik untuk menerima kecocokan antara model dan data.
4.
Adjusted Goodness Fit Of Index (AGFI) merupakan pengembangan dari Goodness Fit
Of Index (GFI) yang telah disesuaikan dengan ratio dari degree of freedom. Nilai
yang direkomendasikan adalah AFGI >= 0.90. Kecocokan antara model dan data
tercapai jika nilai AFGI >= 0.90
5.
Tucker Lewis Index (TLI) TLI merupakan indeks kesesuaian incremental yang
membandingkan model yang diuji dengan baseline model. TLI dipakai untuk
mengatasi permasalahan yang timbul akibat kompleksitas model. Nilai penerimaan
yang direkomendasikan adalah nilai TLI >= 0.90. TLI merupakan indeks yang kurang
dipengaruhi oleh ukuran sampel
6.
Normed Fit Index (NFI) merupakan ukuran perbandingan antara proposed model dan
null model . Nilai yang direkomendasikan adalah NFI >= 0.90.
7.
Comparative Fit Index (CFI) merupakan indeks kecocokan incremental. Indeks ini
sangat dianjurkan untuk dipakai karena indeks ini relatif tidak sensitif terhadap besar
sampel dan kurang dipengaruhi oleh kerumitan model. Nilai penerimaan yang
direkomendasikan adalah CFI >= 0.90 sebagai ukuran kecocokan antara model dan
data.
8.
Ukuran secara rinci disajikan dalam contoh-contoh di bawah ini :
Contoh Evaluasi Kecocokan Model

Contoh pertama adalah contoh sintaksis Lisrel EX41.LS8. Contoh ini merupakan contoh
yang mencerminkan hubungan antara modal, tenaga, waktu, dan produk nasional bruto.
Keempat variabel ini dapat diobservasi dan dapat diukur secara langsung. Contoh tersebut
kemudian diubah menjadi sintaksis proyek Simplis. Contoh sintaksis proyek Simplis adalah
sebagai berikut :
TI Regression
SYSTEM FILE from file 'C:\Lisrel 8.7\LS8EX\EX41.DSF'
Sample Size = 23
Relationships
GNP = CONST LABOR CAPITAL TIME
LABOR = CONST
CAPITAL = CONST
TIME = CONST
Path Diagram
End of Problem
Pelaksanaan sintaksis proyek Simplis di atas akan menghasilkan diagram jalur menurut
estimasi adalah sebagai berikut :
Diagram jalur menurut nilai-nilai-t dapat juga disajikan sebagai berikut :

7
Penyajian nilai-nilai-t secara cepat dapat dilakukan sehingga signifikansi hubungan-hubungan

dan nilai-nilai koefisien bersangkutan dapat disajikan. Hasil lain adalah hasil berbentuk
informasi sebagai berikut :
DATE: 11/11/2014
TIME: 16:27
L I S R E L
8.72
BY
Karl G. Jreskog & Dag Srbom
This program is published exclusively by
Scientific Software International, Inc.
7383 N. Lincoln Avenue, Suite 100
Lincolnwood, IL 60712, U.S.A.
Phone: (800)247-6113, (847)675-0720, Fax: (847)675-2140
Copyright by Scientific Software International, Inc., 1981-2005
Use of this program is subject to the terms specified in the
Universal Copyright Convention.
Website: www.ssicentral.com
The following lines were read from file C:\Lisrel 8.7\LS8EX\EX41.SPJ:
TI Regression
SYSTEM FILE from file 'C:\Lisrel 8.7\LS8EX\EX41.DSF'
Sample Size = 23
Relationships
GNP = CONST LABOR CAPITAL TIME
LABOR = CONST
CAPITAL = CONST
TIME = CONST
Path Diagram
End of Problem
Sample Size =
23
TI Regression
Covariance Matrix
GNP
--------
LABOR
--------
CAPITAL
--------
TIME
--------
GNP
LABOR
CAPITAL
TIME
4256.53
449.02
1535.10
537.48
52.98
139.45
53.29
1114.45
170.02
73.75
LABOR
-------45.57
CAPITAL
-------50.09
TIME
-------13.74
Means
GNP
-------180.43
TI Regression
Number of Iterations =
LISREL Estimates (Maximum Likelihood)

Structural Equations
GNP =
- 61.73 + 3.82*LABOR + 0.32*CAPITAL + 3.79*TIME, Errorvar.= 12.46, R = 1.00

(7.77) (0.22)
(0.031)
(0.19)
(4.04)
-7.95
17.71
10.55
20.36
3.08
Covariance Matrix of Independent Variables

LABOR
-------52.98
(17.19)
3.08
CAPITAL
--------
CAPITAL
139.45
(64.27)
2.17
1114.45
(361.57)
3.08
TIME
53.29
(18.84)
2.83
170.02
(76.47)
2.22
LABOR
TIME
--------
73.75
(23.93)
3.08
Covariance Matrix of Latent Variables
GNP
LABOR
CAPITAL
TIME
GNP
-------4256.53
449.02
1535.10
537.48
LABOR
--------
CAPITAL
--------
TIME
--------
52.98
139.45
53.29
1114.45
170.02
73.75
Mean Vector of Dependent Variables

GNP
-------180.43
Mean Vector of Independent Variables
LABOR
-------45.57
(1.67)
27.29
CAPITAL
-------50.09
(7.66)
6.54
TIME
-------13.74
(1.97)
6.97
The Model is Saturated, the Fit is Perfect !
Time used:
0.031 Seconds
Degree of Freedom = 0, Minimum Fit Function Chi-Square = 0.00 (P = 1.00), Normal Theory
Weighted Least Squares Chi-Square = 0.00 (P = 1.00), The Model is Saturated, the Fit is
Perfect. Hasil ini mengngkap bahwa nilai P jika makin besar maka Goodness of Fit adalah
makin cocok dan nilai P jika makin kecil maka Goodness of Fit adalah makin tidak cocok.
Contoh lain adalah contoh sintaksis proyek Simplis Employee.Spj. Sintaksis ini juga diubah
menjadi sintaksis proyek Simplis. Sintaksis ini adalah sebagai berikut :
TI FRONTLINE EMPLOYEE FULL MODEL
SYSTEM FILE from file 'C:\lisrel83\LS8EX\EMPLOYEE.DSF'
Sample Size = 538
Latent Variables MORALE PERSON LEADER BEHAVE DEVELOP
Relationships
MORALE1 = 1.04*MORALE
MORALE2 = MORALE
MORALE3 = MORALE
MORALE4 = MORALE
PERSON1 = 0.60*PERSON
PERSON2 = PERSON
PERSON3 = PERSON
PERSON4 = PERSON
LEADER1 = LEADER
LEADER2 = LEADER
LEADER3 = LEADER
LEADER4 = LEADER
LEADER5 = LEADER
BEHAVE1 = BEHAVE
BEHAVE2 = BEHAVE
BEHAVE3 = BEHAVE
BEHAVE4 = BEHAVE
DEVELOP1 = DEVELOP
DEVELOP2 = DEVELOP
DEVELOP3 = DEVELOP
DEVELOP4 = DEVELOP
MORALE = PERSON
MORALE = LEADER
PERSON = LEADER BEHAVE DEVELOP
Set the Variance of LEADER to 1.00
Set the Variance of BEHAVE to 1.00
Set the Variance of DEVELOP to 1.00
Path Diagram
Print Residuals
End of Problem
Pelaksanaan sintaksis proyek Simplis di atas akan menghasilkan diagram jalur menurut
estimasi dan menurut nilai-nilai-t. Diagram jalur dapat juga disajikan berdasar atas Estimates
mencakup Estimates, Standard Solution, Conceptual Diagram, T-values, Modification
10
Indices, dan Expected Changes. Penyajian di bawah ini menurut Estimates dan menurut Tvalues.
Diagram Jalur menurut Model mencakup
Basic Model, X-Model, Y-Model, Structural
Model, dan Correlated Errors. Penyajian diagram jalur di bawah ini menurut Basic Model.
Penyajian diagram jalur menurut Estimates adalah sebagai berikut :
Penyajian diagram jalur menurut T-values
dapat juga dilakukan untuk menentukan
signifikansi parameter-parameter dan hubungan-hubungan yang terkandung dalam diagram

jalur bersangkutan. Nilai-nilai dengan warna hitam berarti bahwa koefisien tersebut adalah
signifikan dan nilai-nilai dengan warna merah berarti bahwa koefisien tersebut adalah tidak
signifikan.
11
DATE: 11/11/2014
TIME: 16:55
L I S R E L
8.72
BY
Karl G. Jreskog & Dag Srbom
This program is published exclusively by
Scientific Software International, Inc.
7383 N. Lincoln Avenue, Suite 100
Lincolnwood, IL 60712, U.S.A.
Phone: (800)247-6113, (847)675-0720, Fax: (847)675-2140
Copyright by Scientific Software International, Inc., 1981-2005
Use of this program is subject to the terms specified in the
Universal Copyright Convention.
Website: www.ssicentral.com
The following lines were read from file C:\lisrel83\LS8EX\EMPLOYEE.SPJ:
SYSTEM FILE from file 'C:\lisrel83\LS8EX\EMPLOYEE.DSF'
Sample Size = 538
Latent Variables MORALE PERSON LEADER BEHAVE DEVELOP
Relationships
MORALE1 = 1.04*MORALE
MORALE2 = MORALE
MORALE3 = MORALE
MORALE4 = MORALE
PERSON1 = 0.60*PERSON
PERSON2 = PERSON
PERSON3 = PERSON
PERSON4 = PERSON
LEADER1 = LEADER
12
LEADER2 = LEADER
LEADER3 = LEADER
LEADER4 = LEADER
LEADER5 = LEADER
BEHAVE1 = BEHAVE
BEHAVE2 = BEHAVE
BEHAVE3 = BEHAVE
BEHAVE4 = BEHAVE
DEVELOP1 = DEVELOP
DEVELOP2 = DEVELOP
DEVELOP3 = DEVELOP
DEVELOP4 = DEVELOP
MORALE = PERSON
MORALE = LEADER
PERSON = LEADER BEHAVE DEVELOP
Set the Variance of LEADER to 1.00
Set the Variance of BEHAVE to 1.00
Set the Variance of DEVELOP to 1.00
Path Diagram
Print Residuals
End of Problem
Sample Size =
538

Covariance Matrix
MORALE1
MORALE2
MORALE3
MORALE4
PERSON1
PERSON2
PERSON3
PERSON4
LEADER1
LEADER2
LEADER3
LEADER4
LEADER5
BEHAVE1
BEHAVE2
BEHAVE3
BEHAVE4
DEVELOP1
DEVELOP2
DEVELOP3
DEVELOP4
MORALE1
-------1.31
0.82
0.90
1.03
0.31
0.34
0.36
0.43
0.68
0.84
0.59
0.51
0.61
0.32
0.28
0.31
0.33
0.32
0.30
0.24
0.42
MORALE2
--------
MORALE3
--------
MORALE4
--------
PERSON1
--------
PERSON2
--------
0.96
0.69
0.78
0.27
0.29
0.31
0.35
0.49
0.61
0.43
0.32
0.42
0.28
0.21
0.26
0.31
0.32
0.32
0.24
0.36
1.26
0.86
0.30
0.33
0.32
0.44
0.56
0.66
0.52
0.46
0.50
0.39
0.26
0.36
0.41
0.36
0.40
0.24
0.44
1.20
0.27
0.32
0.34
0.40
0.64
0.75
0.54
0.44
0.54
0.30
0.26
0.30
0.33
0.36
0.33
0.23
0.43
0.76
0.43
0.41
0.43
0.28
0.30
0.27
0.22
0.24
0.28
0.22
0.32
0.34
0.20
0.25
0.17
0.26
0.92
0.47
0.51
0.34
0.33
0.35
0.18
0.33
0.35
0.29
0.35
0.38
0.27
0.30
0.23
0.37
PERSON4
--------
LEADER1
--------
LEADER2
--------
LEADER3
--------
LEADER4
--------
1.00
0.36
0.39
0.35
0.22
0.33
0.39
0.28
0.38
0.44
0.31
1.22
0.88
0.90
0.74
0.83
0.29
0.30
0.32
0.39
0.41
1.20
0.80
0.68
0.77
0.31
0.28
0.33
0.36
0.36
1.22
0.73
0.80
0.30
0.29
0.30
0.37
0.39
1.00
0.64
0.24
0.25
0.25
0.31
0.29
Covariance Matrix
PERSON3
PERSON4
LEADER1
LEADER2
LEADER3
LEADER4
LEADER5
BEHAVE1
BEHAVE2
BEHAVE3
BEHAVE4
DEVELOP1
PERSON3
-------0.75
0.48
0.29
0.32
0.28
0.18
0.27
0.32
0.22
0.33
0.36
0.18
13
DEVELOP2
DEVELOP3
DEVELOP4
0.23
0.16
0.24
0.30
0.25
0.41
0.45
0.34
0.56
0.40
0.32
0.46
0.40
0.29
0.48
0.35
0.22
0.34
BEHAVE1
--------
BEHAVE2
--------
BEHAVE3
--------
BEHAVE4
--------
DEVELOP1
--------
0.98
0.59
0.72
0.70
0.36
0.35
0.25
0.40
0.98
0.66
0.63
0.28
0.27
0.21
0.29
1.11
0.79
0.32
0.34
0.21
0.36
1.19
0.41
0.49
0.29
0.41
1.12
0.61
0.45
0.73
DEVELOP3
--------
DEVELOP4
--------
1.04
0.55
1.08
Covariance Matrix
LEADER5
BEHAVE1
BEHAVE2
BEHAVE3
BEHAVE4
DEVELOP1
DEVELOP2
DEVELOP3
DEVELOP4
LEADER5
-------1.06
0.26
0.27
0.28
0.30
0.34
0.36
0.27
0.42
Covariance Matrix
DEVELOP2
DEVELOP3
DEVELOP4
DEVELOP2
-------1.24
0.45
0.70

Number of Iterations =
LISREL Estimates (Maximum Likelihood)

Measurement Equations
MORALE1 = 1.04*MORALE, Errorvar.= 0.22 , R = 0.83
(0.022)
10.04
(0.031)
(0.024)
25.09
14.05
(0.037)
(0.034)
23.52
14.46
(0.031)
(0.021)
31.38
10.79
PERSON1 = 0.60*PERSON, Errorvar.= 0.40 , R = 0.48
(0.029)
13.57
(0.048)
(0.033)
14.61
12.76
(0.044)
(0.026)
14.99
12.17
(0.050)
(0.036)
14.64
12.72
14
LEADER1 = 0.97*LEADER, Errorvar.= 0.27 , R = 0.78

(0.038)
(0.023)
25.53
11.68
(0.039)
(0.027)
23.32
13.33
(0.040)
(0.028)
23.08
13.47
(0.038)
(0.029)
20.10
14.64
(0.037)
(0.025)
23.00
13.51
BEHAVE1 = 0.81*BEHAVE, Errorvar.= 0.33 , R = 0.67
(0.037)
(0.027)
22.08
12.17
(0.038)
(0.033)
18.83
14.03
(0.038)
(0.029)
23.26
11.11
(0.040)
(0.033)
21.84
12.36
DEVELOP1 = 0.78*DEVELOP, Errorvar.= 0.50 , R = 0.55
(0.042)
(0.038)
18.90
13.14
(0.045)
(0.046)
17.20
14.06
(0.043)
(0.046)
13.77
15.16
(0.038)
(0.031)
24.26
7.25
Structural Equations
MORALE = 0.25*PERSON + 0.56*LEADER, Errorvar.= 0.48 , R = 0.52
(0.045)
(0.046)
(0.040)
5.54
12.36
11.91
PERSON = 0.24*LEADER + 0.42*BEHAVE + 0.16*DEVELOP, Errorvar.= 0.57 , R = 0.44
(0.053)
(0.055)
(0.058)
(0.072)
4.39
7.60
2.72
7.86
15
Reduced Form Equations

MORALE = 0.62*LEADER + 0.11*BEHAVE + 0.040*DEVELOP, Errorvar.= 0.52, R = 0.48
(0.044)
(0.022)
(0.016)
14.19
4.71
2.46
PERSON = 0.24*LEADER + 0.42*BEHAVE + 0.16*DEVELOP, Errorvar.= 0.57, R = 0.44
(0.053)
(0.055)
(0.058)
4.39
7.60
2.72
Correlation Matrix of Independent Variables
LEADER
-------1.00
BEHAVE
--------
BEHAVE
0.41
(0.04)
9.97
1.00
DEVELOP
0.56
(0.04)
15.95
0.50
(0.04)
12.94
LEADER
DEVELOP
--------
1.00
Covariance Matrix of Latent Variables
MORALE
PERSON
LEADER
BEHAVE
DEVELOP
MORALE
-------1.00
0.53
0.69
0.38
0.44
PERSON
--------
LEADER
--------
BEHAVE
--------
DEVELOP
--------
1.01
0.49
0.59
0.50
1.00
0.41
0.56
1.00
0.50
1.00

90 Percent Confidence Interval for F0 = (0.19 ; 0.38)
Root Mean Square Error of Approximation (RMSEA) = 0.039
Model AIC = 431.42
Model CAIC = 695.81
16

Fitted Covariance Matrix
MORALE1
MORALE2
MORALE3
MORALE4
PERSON1
PERSON2
PERSON3
PERSON4
LEADER1
LEADER2
LEADER3
LEADER4
LEADER5
BEHAVE1
BEHAVE2
BEHAVE3
BEHAVE4
DEVELOP1
DEVELOP2
DEVELOP3
DEVELOP4
MORALE1
-------1.31
0.82
0.91
1.03
0.33
0.39
0.36
0.41
0.70
0.65
0.65
0.54
0.61
0.32
0.28
0.35
0.35
0.36
0.35
0.27
0.42
MORALE2
--------
MORALE3
--------
MORALE4
--------
PERSON1
--------
PERSON2
--------
0.96
0.69
0.78
0.25
0.29
0.27
0.31
0.53
0.50
0.50
0.41
0.46
0.24
0.22
0.27
0.26
0.27
0.27
0.20
0.32
1.26
0.86
0.28
0.33
0.30
0.34
0.58
0.55
0.55
0.45
0.51
0.27
0.24
0.29
0.29
0.30
0.30
0.23
0.36
1.20
0.31
0.37
0.34
0.38
0.66
0.62
0.62
0.51
0.58
0.30
0.27
0.33
0.33
0.34
0.33
0.26
0.40
0.76
0.42
0.40
0.44
0.29
0.27
0.27
0.22
0.25
0.29
0.26
0.32
0.31
0.24
0.23
0.18
0.28
0.92
0.46
0.52
0.34
0.32
0.32
0.26
0.29
0.34
0.30
0.37
0.37
0.28
0.27
0.21
0.32
PERSON4
--------
LEADER1
--------
LEADER2
--------
LEADER3
--------
LEADER4
--------
1.00
0.35
0.33
0.33
0.27
0.31
0.35
0.31
0.39
0.38
0.29
0.28
0.22
0.34
1.22
0.89
0.89
0.74
0.83
0.32
0.29
0.35
0.35
0.43
0.42
0.32
0.50
1.20
0.84
0.69
0.78
0.30
0.27
0.33
0.33
0.40
0.39
0.30
0.47
1.22
0.69
0.78
0.30
0.27
0.33
0.33
0.40
0.39
0.30
0.47
1.00
0.64
0.25
0.22
0.27
0.27
0.33
0.32
0.25
0.39
BEHAVE1
--------
BEHAVE2
--------
BEHAVE3
--------
BEHAVE4
--------
DEVELOP1
--------
0.98
0.58
0.72
0.98
0.64
1.11
PERSON3
PERSON4
LEADER1
LEADER2
LEADER3
LEADER4
LEADER5
BEHAVE1
BEHAVE2
BEHAVE3
BEHAVE4
DEVELOP1
DEVELOP2
DEVELOP3
DEVELOP4
PERSON3
-------0.75
0.48
0.32
0.30
0.30
0.24
0.28
0.31
0.28
0.35
0.34
0.26
0.25
0.19
0.30
LEADER5
BEHAVE1
BEHAVE2
BEHAVE3
LEADER5
-------1.06
0.28
0.25
0.31
17
BEHAVE4
DEVELOP1
DEVELOP2
DEVELOP3
DEVELOP4
0.31
0.37
0.37
0.28
0.44
0.71
0.32
0.31
0.24
0.37
0.64
0.28
0.28
0.21
0.33
0.79
0.35
0.34
0.26
0.41
1.19
0.35
0.34
0.26
0.41
1.12
0.60
0.46
0.72
DEVELOP2
DEVELOP3
DEVELOP4
DEVELOP2
-------1.24
0.45
0.71
DEVELOP3
--------
DEVELOP4
--------
1.04
0.54
1.08
MORALE2
--------
MORALE3
--------
MORALE4
--------
PERSON1
--------
PERSON2
--------
0.00
0.00
0.00
0.02
0.00
0.04
0.04
-0.04
0.11
-0.07
-0.09
-0.04
0.04
-0.01
-0.01
0.05
0.05
0.05
0.04
0.04
0.00
0.00
0.02
0.00
0.02
0.10
-0.02
0.11
-0.03
0.01
-0.01
0.12
0.02
0.07
0.12
0.06
0.10
0.01
0.08
0.00
-0.04
-0.05
0.00
0.02
-0.02
0.13
-0.08
-0.07
-0.04
0.00
-0.01
-0.03
0.00
0.02
0.00
-0.03
0.03
0.00
0.01
0.01
-0.01
-0.01
0.03
0.00
0.00
-0.01
-0.01
-0.04
0.00
0.03
-0.04
0.02
-0.01
-0.02
0.00
0.01
-0.01
0.00
0.01
0.03
-0.08
0.04
0.01
-0.01
-0.02
0.01
-0.01
0.03
0.02
0.05
PERSON4
--------
LEADER1
--------
LEADER2
--------
LEADER3
--------
LEADER4
--------
0.00
0.01
0.06
0.02
-0.05
0.02
0.04
-0.03
-0.01
0.06
0.02
0.02
0.03
0.07
0.00
-0.01
0.01
0.00
0.00
-0.03
0.01
-0.03
0.04
-0.02
0.03
0.02
0.06
0.00
-0.04
-0.01
-0.01
0.01
0.01
0.00
0.03
-0.04
0.01
0.02
-0.01
0.00
0.04
0.02
0.00
0.02
-0.03
0.04
-0.01
0.01
-0.01
0.01
0.00
0.00
-0.01
0.03
-0.02
0.04
-0.04
0.03
-0.03
-0.05
BEHAVE1
--------
BEHAVE2
--------
BEHAVE3
--------
BEHAVE4
--------
DEVELOP1
--------
0.00
0.01
0.00
0.00
0.02
0.00
Fitted Residuals
MORALE1
MORALE2
MORALE3
MORALE4
PERSON1
PERSON2
PERSON3
PERSON4
LEADER1
LEADER2
LEADER3
LEADER4
LEADER5
BEHAVE1
BEHAVE2
BEHAVE3
BEHAVE4
DEVELOP1
DEVELOP2
DEVELOP3
DEVELOP4
MORALE1
-------0.00
0.00
-0.01
0.00
-0.02
-0.05
0.00
0.02
-0.02
0.19
-0.06
-0.03
0.00
0.00
0.00
-0.04
-0.02
-0.04
-0.05
-0.03
0.00
Fitted Residuals
PERSON3
PERSON4
LEADER1
LEADER2
LEADER3
LEADER4
LEADER5
BEHAVE1
BEHAVE2
BEHAVE3
BEHAVE4
DEVELOP1
DEVELOP2
DEVELOP3
DEVELOP4
PERSON3
-------0.00
0.00
-0.03
0.02
-0.02
-0.06
-0.01
0.01
-0.06
-0.02
0.02
-0.08
-0.02
-0.03
-0.06
Fitted Residuals
LEADER5
BEHAVE1
BEHAVE2
BEHAVE3
LEADER5
-------0.00
-0.02
0.02
-0.03
18
BEHAVE4
DEVELOP1
DEVELOP2
DEVELOP3
DEVELOP4
-0.01
-0.03
-0.01
-0.01
-0.02
-0.01
0.04
0.04
0.01
0.03
-0.01
0.00
-0.01
0.00
-0.04
DEVELOP3
--------
DEVELOP4
--------
0.00
0.01
0.00
0.00
-0.03
0.00
-0.05
-0.05
0.00
0.06
0.15
0.03
0.00
0.00
0.01
-0.01
0.01
Fitted Residuals
DEVELOP2
DEVELOP3
DEVELOP4
DEVELOP2
-------0.00
0.00
-0.01
Summary Statistics for Fitted Residuals

Smallest Fitted Residual =
Median Fitted Residual =
Largest Fitted Residual =
-0.09
0.00
0.19
Stemleaf Plot
-
8|91
6|97165421
4|33330875411110
2|886665433111000998654322100
0|988876654222211000009999998887766555555544444433222111100000000000000000+07
0|111123333355556666777778901223344466668999999
2|012222234555589990123455688999
4|0012367735689
6|261
8|5
10|04259
12|32
14|9
16|
18|6
Standardized Residuals
MORALE1
MORALE2
MORALE3
MORALE4
PERSON1
PERSON2
PERSON3
PERSON4
LEADER1
LEADER2
LEADER3
LEADER4
LEADER5
BEHAVE1
BEHAVE2
BEHAVE3
BEHAVE4
DEVELOP1
DEVELOP2
DEVELOP3
DEVELOP4
MORALE1
-------- -0.30
-1.07
0.88
-0.88
-1.89
-0.11
0.91
-0.91
8.24
-2.81
-1.23
0.04
0.05
-0.12
-1.16
-0.48
-1.08
-1.29
-0.76
-0.12
MORALE2
--------
MORALE3
--------
MORALE4
--------
PERSON1
--------
PERSON2
--------
- 0.09
0.38
0.75
-0.15
1.57
1.58
-1.70
4.72
-2.65
-3.56
-1.77
1.24
-0.16
-0.16
1.33
1.37
1.41
0.98
1.27
- 0.01
0.74
0.16
0.61
3.12
-0.90
3.85
-0.96
0.26
-0.37
3.34
0.56
1.72
2.90
1.45
2.40
0.32
2.35
- -1.80
-1.88
-0.12
0.63
-1.00
5.92
-3.47
-2.94
-1.68
-0.02
-0.26
-0.93
0.03
0.53
-0.09
-0.66
0.93
- 0.40
1.27
-1.07
-0.34
1.07
-0.04
-0.13
-0.47
-0.35
-1.47
0.11
0.97
-1.26
0.62
-0.22
-0.74
- 0.65
-0.71
0.09
0.48
1.15
-2.85
1.31
0.56
-0.41
-0.86
0.45
-0.18
0.92
0.71
1.97
LEADER1
--------
LEADER2
--------
LEADER3
--------
LEADER4
--------
PERSON3
--------
PERSON4
--------
19
PERSON3
PERSON4
LEADER1
LEADER2
LEADER3
LEADER4
LEADER5
BEHAVE1
BEHAVE2
BEHAVE3
BEHAVE4
DEVELOP1
DEVELOP2
DEVELOP3
DEVELOP4
- -0.43
-1.09
1.00
-0.63
-2.54
-0.22
0.28
-2.58
-0.77
0.71
-2.97
-0.75
-1.12
-3.13
- 0.26
2.01
0.62
-1.79
0.78
1.53
-1.24
-0.30
1.99
0.72
0.53
0.99
2.94
- -1.14
0.93
0.44
0.10
-1.16
0.45
-1.27
1.37
-0.64
0.96
0.56
2.92
- -2.94
-0.66
-0.64
0.35
0.36
-0.02
1.01
-1.36
0.21
0.55
-0.53
- 2.77
1.84
-0.02
0.66
-1.07
1.29
-0.38
0.19
-0.33
0.31
- -0.15
-0.27
0.90
-0.78
1.21
-1.36
0.75
-0.85
-2.01
BEHAVE1
--------
BEHAVE2
--------
BEHAVE3
--------
BEHAVE4
--------
DEVELOP1
--------
- 0.47
0.00
-1.55
1.46
1.20
0.34
1.20
- 1.49
-0.67
-0.15
-0.25
-0.10
-1.74
- 0.31
-1.06
-0.11
-1.57
-2.57
- 1.96
4.20
0.80
0.01
- 0.37
-0.58
0.92
LEADER5
BEHAVE1
BEHAVE2
BEHAVE3
BEHAVE4
DEVELOP1
DEVELOP2
DEVELOP3
DEVELOP4
LEADER5
-------- -0.73
0.66
-1.03
-0.19
-1.17
-0.19
-0.32
-0.90
DEVELOP2
DEVELOP3
DEVELOP4
DEVELOP2
-------- -0.11
-1.33
DEVELOP3
--------
DEVELOP4
--------
- 0.65
- -
Summary Statistics for Standardized Residuals

Smallest Standardized Residual =
Median Standardized Residual =
Largest Standardized Residual =
-3.56
0.00
8.24
Stemleaf Plot
-
3|6510
2|998866650
1|998887776654433332222211111111000
0|999999988877777776666555444433333333322222222111111111110000000000000000+14
0|111112223333333344444455555566666666777777778889999999
1|0000001122223333344445556678
2|0000448999
3|138
4|27
5|9
6|
7|
8|2
Largest Negative Standardized Residuals
Residual for LEADER3 and MORALE1 -2.81
Residual for LEADER3 and LEADER2 -2.94
Residual for LEADER4 and PERSON2 -2.85
Residual for BEHAVE2 and PERSON3 -2.58
20
Residual for DEVELOP1 and PERSON3 -2.97

Residual for DEVELOP4 and PERSON3 -3.13
Largest Positive Standardized Residuals
Residual for PERSON4 and MORALE3
3.12
Residual for LEADER2 and MORALE1
8.24
4.72
3.85
5.92
Residual for LEADER4 and LEADER3
2.77
Residual for BEHAVE1 and MORALE3
3.34
Residual for BEHAVE4 and MORALE3
2.90
Residual for DEVELOP2 and BEHAVE4
4.20
Residual for DEVELOP4 and PERSON4
2.94
Residual for DEVELOP4 and LEADER1
2.92
The Modification Indices Suggest to Add an Error Covariance
Between
and
Decrease in Chi-Square
New Estimate
LEADER2
MORALE1
15.9
0.07
LEADER3
LEADER2
8.7
-0.06
DEVELOP2 BEHAVE4
18.2
0.11
DEVELOP4 LEADER1
11.2
0.06
Time used:
0.141 Seconds
Kecocokan Secara Keseluruhan

Uraian
Minimum Fit Function Chi-Square

Standar
Realisasi
P: >0.05
P: >0.05
>=0.90
>=0.90
Evaluasi
Tidak Cocok
0.035
Tidak Cocok
0.93
Cocok
0.94
Cocok

90 Percent Confidence Interval for F0 = (0.19 ; 0.38)
Root Mean Square Error of Approximation (RMSEA) = 0.039
Model AIC = 431.42
Model CAIC = 695.81
21

Evaluasi Kecocokan Antara Model dan Data

Ukuran
Chi Square
P
NPC
Interval
RMSEA
P(Close Fit)
Standar Kecocokan
Nilai Kecil
P>=0.05
Nilai Kecil
Interval Sempit
<= 0.08
>=0.50
Nilai Kecil dan Dekat

ECVI ECVI Saturated
AIC AIC Saturated
CAIC CAIC Saturated
NFI >= 0.90
NNFI >=0.90
CFI >=0.90
IFI >=0.90
RFI >=0.90
CN >=200
RMR <=0.05
GFI >=0.90
AGFI >=0.90
Sumber : Setyo Hari Wijanto (2008: 144-145)
Realisasi
326.35
0.00
150.42
(103.23 ; 205.44)
0.039
1.00
S = 0.86
M = 0.8
I =32.83
S = 431.42
M = 462
I = 17739.32
S = 1683.5
M = 695.81
I = 17739.32
0.98
0.99
0.99
0.99
0.98
376.46
0.035
0.94
0.93
Evaluasi
Tidak Cocok
Tidak Cocok
Cocok
Tidak Cocok
Cocok
Cocok
Cocok
Cocok
Cocok
Cocok
Cocok
Cocok
Cocok
Cocok
Cocok
Pembahasan
Dua dari empat kecocokan secara keseluruhan tidak memenuhi persyaratan dan dua mememuhi
persyaratan. Tiga dari lima belas ukuran kecocokan tidak memenuhi persyaratan dan dua belas ukuran
memenuhi persyaratan. Kesimpulan yang ditarik cenderung mengarah pada kecocokan antara model
dan data. Pertimbangan yang diambil lebih bersifat pertimbangan secara subjektif. Kecocokan secara
keseluruhan mencerminkan bahwa 50% adalah tidak memenuhi persyaratan kecocokan dan 50%
memenuhi persyaratan kecocokan. Hal ini dapat dianggap bahwa model secara keseluruhan adalah
tidak cocok dengan data dan dapat pula dianggap bahwa model secara keseluruhan adalah cocok
dengan data.
22
Rangkuman
Tiga hasil utama dari pelaksanaan sintaksis proyek Lisrel atau sintaksis proyek Simplis adalah
diagram jalur, estimasi atas persamaan pengukuran dan estimasi atas persamaan struktural, dan
kecocokan antara model dan data. Interpretasi atas ukuran-ukuran kecocokan dapat bersifat subjektif
jika beberapa ukuran menunjukkan ketidakcocokan dan beberapa ukuran lain menunjukkan
kecocokan antara model dan data.
Perbedaan ruang lingkup ukuran untuk mengukur kecocokan model secara keseluruhan (overall fit of
the model to the data) antara Karl G. Jreskog & Dag Srbom dan Setyo Hari Wijanto.
Wijanto menganggap bahwa kecocokan keseluruhan model (overall model fit) mencakup
ukuran kecocokan absolut, ukuran kecocokan inkremental, ukuran kecocokan picaarsimoni,
dan ukuran kecocokan lainnya. Ukuran-ukuran ini secara rinci tercermin dalam Evaluasi
Kecocokan antara Model dan Data di atas.
Daftar Kepustakaan
Jreskog, Karl G. dan Dag Srbom. 1989. Lisrel 7 : A Guide to the Program and
Application 2nd Edition, Chicago, Ill. : SPSS, Inc.
Setyo Hari Wijanto. 2008. Structural Equation Modeling Dengan Lisrel 8.8 : Konsep &
Tutorial. Yogyakartan : Graha Ilmu
Permata Depok Regency, 12 November 2014.
23

Evaluasi Kecocokan Model Dalam Lisrel8.72

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Evaluasi Kecocokan Model Dalam Lisrel8.72

Enviado por

Direitos autorais:

Formatos disponíveis

EVALUASI KECOCOKAN MODEL DALAM LISREL 8.

dari tiap estimasi

Minimum Fit Function Chi-Square

Pendapat lain menganggap bahwa kecocokan dikelompokkan ke dalam

Chi-Square for Independence Model with 55 Degrees of Freedom = 1380.26

Root Mean Square Residual (RMR) = 0.065

Minimum Fit Function Value

Expected Cross-Validation Index (ECVI)

Chi-Square for Independence Model (55 df)

Parsimony Goodness of Fit Index (PGFI)

Evaluasi Secara Rinci atas Kecocokan

Root Mean Square Error of Approximation (RMSEA) merupakan ukuran yang

Ukuran secara rinci disajikan dalam contoh-contoh di bawah ini :

Contoh Evaluasi Kecocokan Model

Diagram jalur menurut nilai-nilai-t dapat juga disajikan sebagai berikut :

Penyajian nilai-nilai-t secara cepat dapat dilakukan sehingga signifikansi hubungan-hubungan

LISREL Estimates (Maximum Likelihood)

- 61.73 + 3.82*LABOR + 0.32*CAPITAL + 3.79*TIME, Errorvar.= 12.46, R = 1.00

Covariance Matrix of Independent Variables

Covariance Matrix of Latent Variables

Mean Vector of Dependent Variables

Goodness of Fit Statistics

Basic Model, X-Model, Y-Model, Structural

Penyajian diagram jalur menurut T-values

dapat juga dilakukan untuk menentukan

signifikansi parameter-parameter dan hubungan-hubungan yang terkandung dalam diagram

TI FRONTLINE EMPLOYEE FULL MODEL

TI FRONTLINE EMPLOYEE FULL MODEL

LISREL Estimates (Maximum Likelihood)

LEADER1 = 0.97*LEADER, Errorvar.= 0.27 , R = 0.78

Reduced Form Equations

Covariance Matrix of Latent Variables

Goodness of Fit Statistics

Incremental Fit Index (IFI) = 0.99

Fitted Covariance Matrix

Fitted Covariance Matrix

Fitted Covariance Matrix

Summary Statistics for Fitted Residuals

Summary Statistics for Standardized Residuals

Residual for DEVELOP1 and PERSON3 -2.97

Kecocokan Secara Keseluruhan

Minimum Fit Function Chi-Square

Degrees of Freedom = 181

Relative Fit Index (RFI) = 0.98

Evaluasi Kecocokan Antara Model dan Data

Nilai Kecil dan Dekat

Permata Depok Regency, 12 November 2014.

Você também pode gostar

- 61.73 + 3.82LABOR + 0.32CAPITAL + 3.79*TIME, Errorvar.= 12.46, R = 1.00