Escolar Documentos
Profissional Documentos
Cultura Documentos
2
Oleh
Abdullah M. Jaubah
Pendahuluan
Linear Struktural Relations atau Lisrel dipakai pertama kali dalam tahun 1970 tatkala Karl G.
Jreskog mengikuti konferensi di Amerika Serikat. Paket program Lisrel versi 3 diterbitkan
dalam tahun 1975. Perkembangan dilakukan berulang kali hingga diterbitkan Lisrel Versi
9.20 dan mencakup tidak hanya hubungan-hubungan struktural garis lurus akan tetapi juga
mencakup hubungan-hubungan struktural non-linear dan unsur-unsur lain. Nama Lisrel tetap
dipertahankan akan tetapi dengan makna Pemodelan Persamaan Struktural karena masyarakat
telah mengenal nama tersebut.
Ruang lingkup pembahasan dalam Lisrel 9.20 adalah lebih luas daripada ruang lingkup
pembahasan dalam Lisrrel 8.30 dan contoh-contoh dalam Lisrel 8.30 dapat dijalankan dalam
Lisrel 9.20. Ruang lingkup pembahasan dalam Lisrel 9.20 adalah lebih luas daripada ruang
lingkup pembahasan dalam Amos, ditinjau dari sudut contoh-contoh yang terkandung dalam
kedua paket program tersebut.
Kriteria untuk menentukan kecocokan atau ketidakcocokan antara model dan dapat telah
dikembangkan, Cara termudah untuk menentukan kecocokan atau ketidakcocokan antara
model dan data dapat dilakukan melalui analisis atas diagram jalur yang terdiri dari nilai Chisquare, degree of freedom, p-value, dan RMSEA. Kecocokan antara model dan data adalah
sempurna jika nilai Chi-square adalah 0, nilai degree of freedom adalah 0, p-value adalah 1,
dan nilai RMSEA adalah 0. Hal ini berarti bahwa p-value akan mengalami perubahan jika
nilai dari Chi-square, degree of freedom, dan RMSEA mengalami kenaikan atau penurunan/
Kriteria Goodness-of-Fit Statistics dapat juga dipakai untuk menentukan kecocokan atau
ketidakcocokan antara model dan data akan tetapi unsur-unsur yang terkandung dalam
Goodness of Fit Statistics ini adalah sangat banyak sehingga sering menyulitkan untuk
menentukan apakah model itu cocok atau tidak cocok dengan data. Kedua cara dapat dipakai
bersama-sama untuk menentukan kecocokan atau ketidakcocokan antara model dan data.
Langkah pertama akan melakukan analisis kecocokan melalui diagram jalur dan kemudian
dilanjutkan dengan melakukan analisis atas Goodness of Fit Statistics.
1
Perkembangan perangkat lunak komputer dewasa ini adalah sanggat cepat. Salah satu contoh
perkembangan ini tercermin dalam paket program Lisrel 9.2. Penulis, baru saja
menyelesaikan studi dan penghayatan menenai Lisrel 9.1 Student Edition sekarang telah
muncul Lisrel 9.2. Lisrel 9.2 Student Edition diunduh secara gratis melalui pemanfaatan
internet. Lisrel 9.2 Student Edition mempunyai batas waktu pemakaian dan jumlah variabel
indikator yang dapat ditampung juga terbatas hanya 20 variabel indikator. Hal ini berbeda
dengan kemampuan Lisrel 9.2 nonstudent edition. Keterbatasan waktu pemakaian bukan
berarti bahwa studi dan penghayatan Lisrel 9.2 juga terbatas. Langkah untuk memperluas
studi dan penghayatan Lisrel 9.2 dapat dilakukan dengan cara memakai dan menyimpan
semua contoh yang terkandung dalam paket program tersebut. Langkah ini dimanfaatkan di
sini. Lisrel menandung tiga kelompok sintaksis yaitu sintaksis Prelis, sintaksis proyek Lisrel,
dan sintaksis proyek Simplis.
Sintaksis Proyek Lisrel merupakan sintaksis utama dalam paket program Lisrel dan sintaksis
Proyek Simplis merupakan sintaksis penunjang utama dalam paket program Lisrel. Sintaksis
Proyek Lisrel mungkin tidak dapat dikonversikan ke dalam sintaksis Proyek Simplis
sebagaimmana dialami dalam beberapa contoh yang terkandung dalam Lisrel 9.20. Sebagian
besar proyek Lisrel dapat dikonversikan ke dalam proyek Simplis. Contoh-contoh proyek
Lisrel dalam Lisrel 9.20 dikonversikan melalui cara proyek Lisrel dijalankan dan jika
menhasilkan diagram jalur maka diagram jalur ini dipakai untuk mencipta sintaksis proyek
Simplis. Proyek Simplis ini kemudian dujalankan untuk menentukan apakah hasil dari
pelaksanaan proyek simplis ini konsisten atau tidak konsisten dengan hasil dari pelaksanaan
proyek Lisrel.
Konversi dari proyek Lisrel ke dalam proyek Simplis dilakukan karena interpretasi hasil dari
proyek Lisrel adalah lebih sulit daripada interpretasi hasil dari proyek Simplis karena
interpretasi hasil dari proyek Lisrel disajikan secara tersebar sedangkan interpretasi hasil dari
proyek Simplis disajikan tidak secara tersebar sehingga memudahkan langkah melakukan
interpretasi atas hasil prpyek Simplis tersebut.
Contoh-contoh di bawah ini merupakan contoh-contoh dari sintaksis proyek Lisrel dan hasil
pelaksanaan proyek Lisrel dipakai untuk mencipta sintaksis proyek Simplis. Beberapa contoh
tidak menyajikan hasil dari proyek Simplis karena hasil dari proyek Simplis tidak konsisten
dengan hasil dari proyek Lisrel.
2
Lisrel 92 juga didukung dengan dokumentasi. Dokumentasi Lisrel ini adalah lengkap dan
mencakup antara lain :
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
Dokumentasi tersebut dapat dipakai sebagai bahan studi dan penghayatan atas berbagai
aspek, analisis, dan interpretasi tentang Lisrel dan pemodelan persamaan struktural. Mereka
yang telah mempelajari IBM SPSS Statistics secara lengkap dan luas akan menemukan
pembahasan mengenai General Linear Model, Generalized Linear Models, dan Mixed
Models. Penguasaan atas kemampuan kognitif atas sintaksis SPSS atas pokok-pokok
pembahasan ini akan mempermudah interpretasi Generalized Linear Modeling dan Multilevel
Generalized Linear Modeling dalam Lisrel 9.2.
Contoh Aplikasi Proyek Lisrel 9.2
Beberapa contoh aplikasi proyek Lisrel 9.2 disajikan di bawah ini dan mencakup sintaksis
proyek Lisrel dan hasil pelaksanaan sintaksis proyek Lisrel, sintaksis Proyek Simplis yang
dicipta dengan memanfaatkan diagram jalur dari proyek Lisrel dan sintaksis proyek simplis
ini kemudian dijalankan dan hasilnya disajikan pula. Contoh di bawah ini diambil dari contoh
yang terdapat dalam Lisrel 9.20 kemudian proyek Simplis dicipta dan dijalankan. Hasil
proyek Simplis ini kemudian diinterpretasikan.
Contoh Aplikasi Proyek Lisrel 9.2
masing variabel laten endogen diwakili oleh dua variabel indikator endogen. Hal ini berarti
bahwa lima variabel laten dan sebelas variabel indikator terkandung dalam contoh ini.
Rincian dari variabel indikator endogen adalah NY = 4, variabel indikator eksogen adalah
NX = 7, variabel laten endogen adalah NE = 2 dan variabel laten eksogen adalah NK = 3.
Sintaksis Proyek Lisrel adalah sebagai berikut :
HYPOTHETICAL MODEL ESTIMATED
DA NI=11 NO=100
CM SY FI=EX1.COV
MO NY=4 NX=7 NE=2 NK=3 BE=FU
FR LY 2 1 LY 4 2 LX 2 1 LX 3
FI GA 1 3 GA 2 2
VA 1 LY 1 1 LY 3 2 LX 1 1 LX
PD
OU MI RS EF MR SS SC
BY ML
PS=SY,FR
1 LX 3 2 LX 5 2 LX 7 3 BE 2 1 BE 1 2
4 2 LX 6 3
9.20 (STUDENT)
BY
BY ML
PS=SY,FR
1 LX 3 2 LX 5 2 LX 7 3 BE 2 1 BE 1 2
4 2 LX 6 3
of
of
of
of
of
of
Input Variables 11
Y - Variables
4
X - Variables
7
ETA - Variables 2
KSI - Variables 3
Observations
100
VAR 1
-------3.204
2.722
3.198
3.545
0.329
0.559
1.006
0.468
0.502
1.050
1.260
VAR 1
VAR 2
VAR 3
VAR 4
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 2
--------
VAR 3
--------
VAR 4
--------
VAR 5
--------
VAR 6
--------
2.629
2.875
3.202
0.371
0.592
1.019
0.456
0.539
0.960
1.154
4.855
5.373
-0.357
-0.316
-0.489
-0.438
-0.363
1.416
1.923
6.315
-0.471
-0.335
-0.591
-0.539
-0.425
1.714
2.309
1.363
1.271
1.742
0.788
0.838
0.474
0.686
1.960
2.276
1.043
1.070
0.694
0.907
VAR 8
--------
VAR 9
--------
VAR 10
--------
VAR 11
--------
1.376
1.189
0.071
0.136
1.741
0.104
0.162
1.422
1.688
2.684
Covariance Matrix
VAR 7
-------3.803
1.953
2.090
0.655
0.917
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR
VAR
VAR
VAR
ETA 1
-------0
1
0
0
1
2
3
4
ETA 2
-------0
0
0
2
LAMBDA-X
KSI 1
-------0
3
4
0
0
0
0
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
KSI 2
-------0
0
5
0
6
0
0
KSI 3
-------0
0
0
0
0
0
7
BETA
ETA 1
-------0
9
ETA 1
ETA 2
ETA 2
-------8
0
GAMMA
KSI 1
-------10
12
ETA 1
ETA 2
KSI 2
-------11
0
KSI 3
-------0
13
KSI 2
--------
KSI 3
--------
PHI
KSI 1
KSI 2
KSI 1
-------14
15
16
KSI 3
17
18
ETA 1
-------20
21
ETA 2
--------
19
PSI
ETA 1
ETA 2
22
THETA-EPS
VAR 1
-------23
VAR 2
-------24
VAR 3
-------25
VAR 4
-------26
VAR 6
-------28
VAR 7
-------29
VAR 8
-------30
THETA-DELTA
VAR 5
-------27
VAR 9
-------31
VAR 10
-------32
THETA-DELTA
VAR 11
-------33
VAR 1
ETA 1
-------1.000
VAR 2
0.921
(0.035)
26.124
ETA 2
-------- - -
VAR 3
- -
1.000
VAR 4
- -
1.139
(0.029)
38.934
LAMBDA-X
VAR 5
KSI 1
-------1.000
VAR 6
1.291
(0.104)
12.397
VAR 7
0.920
(0.123)
7.499
KSI 2
-------- - -
KSI 3
-------- - -
1.092
(0.117)
9.365
- -
VAR 8
- -
1.000
- -
VAR 9
- -
1.079
(0.084)
12.863
- -
VAR 10
- -
- -
1.000
VAR 11
- -
- -
1.437
(0.092)
15.557
BETA
ETA 1
-------- -
ETA 1
ETA 2
0.937
(0.177)
5.281
ETA 2
-------0.538
(0.056)
9.573
- -
GAMMA
KSI 1
-------0.213
(0.153)
1.396
ETA 1
ETA 2
-1.223
(0.121)
-10.102
KSI 2
-------0.495
(0.147)
3.368
- -
KSI 3
-------- -
0.996
(0.151)
6.599
KSI 1
--------
KSI 2
--------
KSI 3
--------
4.719
-0.217
-0.312
1.402
0.974
0.788
0.525
1.117
0.133
1.175
KSI 1
-------0.974
(0.187)
5.196
KSI 2
--------
KSI 3
--------
KSI 2
0.788
(0.150)
5.239
1.117
(0.194)
5.753
KSI 3
0.525
(0.133)
3.947
0.133
(0.125)
1.064
ETA 1
-------0.486
(0.126)
3.853
ETA 2
--------
-0.069
(0.168)
-0.410
0.133
(0.078)
1.707
ETA
ETA
KSI
KSI
KSI
ETA 1
-------2.957
3.115
0.482
0.554
0.932
1
2
1
2
3
PHI
KSI 1
1.175
(0.202)
5.813
PSI
ETA 1
ETA 2
ETA 2
-------0.997
Reduced Form
ETA 1
ETA 2
KSI 1
--------0.895
(0.428)
-2.091
KSI 2
-------0.999
(0.342)
2.916
KSI 3
-------1.080
(0.224)
4.815
-2.062
(0.517)
-3.987
0.936
(0.403)
2.321
2.008
(0.268)
7.491
ETA 2
-------0.629
THETA-EPS
VAR 1
-------0.247
(0.053)
4.687
VAR 2
-------0.123
(0.038)
3.256
VAR 3
-------0.136
(0.041)
3.342
VAR 4
-------0.197
(0.054)
3.621
VAR 2
-------0.953
VAR 3
-------0.972
VAR 4
-------0.969
VAR 6
-------0.336
(0.067)
5.026
VAR 7
-------0.063
(0.051)
1.235
VAR 8
-------0.259
(0.050)
5.162
THETA-DELTA
VAR 5
-------0.389
(0.064)
6.125
VAR 9
-------0.440
(0.075)
5.905
VAR 10
-------0.247
(0.053)
4.619
THETA-DELTA
VAR 11
-------0.259
(0.091)
2.841
Squared Multiple Correlations for X - Variables
VAR 5
-------0.715
VAR 6
-------0.829
VAR 7
-------0.983
VAR 8
-------0.812
VAR 9
-------0.747
VAR 10
-------0.826
Saturated Model
--------------66
652.022
784.022
955.963
Goodness-of-Fit Statistics
Degrees of Freedom for (C1)-(C2)
Maximum Likelihood Ratio Chi-Square (C1)
Browne's (1984) ADF Chi-Square (C2_NT)
33
29.394 (P = 0.6473)
27.247 (P = 0.7488)
0.0
(0.0 ; 12.673)
0.294
0.0
(0.0 ; 0.127)
0.0
(0.0 ; 0.0620)
0.893
0.990
(0.990 ; 1.117)
1.320
14.785
1456.516
0.980
1.004
0.588
1.000
1.003
0.966
Critical N (CN)
185.484
0.0652
0.0266
0.953
0.906
0.476
VAR 1
VAR 2
VAR 3
VAR 4
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 1
-------3.204
2.722
3.115
3.547
0.482
0.622
1.048
0.554
0.598
0.932
1.339
VAR 2
--------
VAR 3
--------
VAR 4
--------
VAR 5
--------
VAR 6
--------
2.629
2.868
3.266
0.444
0.573
0.965
0.510
0.550
0.858
1.233
4.855
5.373
-0.217
-0.280
-0.540
-0.312
-0.336
1.402
2.014
6.315
-0.247
-0.318
-0.614
-0.355
-0.383
1.596
2.293
1.363
1.258
1.757
0.788
0.851
0.525
0.754
1.960
2.269
1.018
1.098
0.678
0.974
VAR 8
--------
VAR 9
--------
VAR 10
--------
VAR 11
--------
1.376
1.206
0.133
0.192
1.741
0.144
0.207
1.422
1.688
2.684
VAR 2
--------
VAR 3
--------
VAR 4
--------
VAR 5
--------
0.000
0.007
-0.064
0.000
0.000
0.000
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 7
-------3.803
1.945
2.099
0.629
0.903
Fitted Residuals
VAR
VAR
VAR
VAR
1
2
3
4
VAR 1
-------0.000
0.000
0.083
-0.002
VAR 6
--------
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
-0.153
-0.063
-0.042
-0.086
-0.096
0.118
-0.079
-0.073
0.019
0.054
-0.054
-0.011
0.102
-0.079
-0.140
-0.036
0.051
-0.126
-0.027
0.014
-0.091
-0.224
-0.017
0.023
-0.184
-0.042
0.118
0.016
0.000
0.013
-0.015
0.000
-0.013
-0.051
-0.068
VAR 8
--------
VAR 9
--------
VAR 10
--------
VAR 11
--------
0.000
-0.017
-0.062
-0.056
0.000
-0.040
-0.045
0.000
0.000
0.000
0.000
0.007
0.025
-0.028
0.016
-0.067
Fitted Residuals
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 7
-------0.000
0.008
-0.009
0.026
0.014
-0.224
-0.001
0.118
Stemleaf Plot
-
2|2
1|85
1|430
0|9988777666655
0|44444332211110000000000000000
0|111111222233
0|558
1|022
Standardized Residuals
VAR 1
VAR 2
VAR 3
VAR 4
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 1
-------0.000
0.000
0.165
-0.004
- -0.496
-0.116
-0.396
-0.630
0.489
-0.244
VAR 2
--------
VAR 3
--------
VAR 4
--------
VAR 5
--------
VAR 6
--------
0.000
0.015
-0.128
- 0.184
0.164
-0.274
-0.104
0.664
-0.268
0.000
0.000
-0.711
-0.125
0.117
-0.485
-0.091
0.044
-0.220
0.000
-0.619
-0.047
0.047
-0.620
-0.126
0.395
0.034
- 0.048
-0.051
-0.001
-0.027
-2.722
-0.331
0.000
0.021
0.155
- - -0.268
VAR 8
--------
VAR 9
--------
VAR 10
--------
VAR 11
--------
0.000
- -0.421
-0.459
- -0.279
-0.207
0.000
0.000
0.000
Standardized Residuals
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 7
-------0.000
0.021
- 0.110
0.048
-2.722
0.000
0.664
Stemleaf Plot
-
2|7
2|
1|
1|
0|7666555
0|4433333222111111100000000000000000000000000000000
0|1122224
10
0|57
Largest Negative Standardized Residuals
Residual for
VAR 10 and
VAR 5 -2.722
HYPOTHETICAL MODEL ESTIMATED BY ML
Qplot of Standardized Residuals
7
Standardized Residuals
HYPOTHETICAL MODEL ESTIMATED BY ML
Modification Indices and Expected Change
Modification Indices for LAMBDA-Y
VAR
VAR
VAR
VAR
1
2
3
4
ETA 1
-------- - 2.115
2.115
ETA 2
-------0.990
0.990
- - -
VAR
VAR
VAR
VAR
1
2
3
4
ETA 1
-------- - 0.089
-0.102
ETA 2
-------0.058
-0.053
- - -
VAR
VAR
VAR
VAR
1
2
3
4
ETA 1
-------- - 0.154
-0.175
ETA 2
-------0.126
-0.116
- - -
VAR
VAR
VAR
VAR
1
2
3
4
ETA 1
-------- - 0.070
-0.070
ETA 2
-------0.070
-0.072
- - -
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
KSI 1
-------- - - 0.304
0.304
0.208
0.208
KSI 2
-------0.108
0.108
- - - 0.001
0.001
KSI 3
-------1.049
0.342
3.376
1.373
0.241
- - -
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
KSI 1
-------- - - 0.082
-0.089
0.034
-0.048
KSI 2
--------0.044
0.057
- - - -0.001
0.002
KSI 3
--------0.082
-0.054
0.148
-0.077
-0.038
- - -
11
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
KSI 1
-------- - - 0.081
-0.087
0.033
-0.048
KSI 2
--------0.047
0.061
- - - -0.001
0.002
KSI 3
--------0.089
-0.058
0.161
-0.083
-0.041
- - -
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
KSI 1
-------- - - 0.069
-0.066
0.028
-0.029
KSI 2
--------0.040
0.043
- - - -0.001
0.001
KSI 3
--------0.076
-0.042
0.082
-0.071
-0.031
- - -
VAR
VAR
VAR
VAR
1
2
3
4
VAR 1
-------- - 0.529
0.550
VAR 2
--------
VAR 3
--------
- 0.001
0.002
VAR 4
--------
- - -
- -
VAR
VAR
VAR
VAR
1
2
3
4
VAR 1
-------- - 0.024
-0.028
VAR 2
-------- -0.001
0.002
VAR 3
--------
VAR 4
--------
- - -
- -
VAR
VAR
VAR
VAR
1
2
3
4
VAR 1
-------- - 0.006
-0.006
VAR 2
-------- 0.000
0.000
VAR 3
--------
VAR 4
--------
- - -
- -
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 1
-------0.134
0.242
0.004
0.907
1.025
0.947
0.288
VAR 2
-------0.495
0.097
0.057
0.028
0.104
1.116
1.696
VAR 3
-------2.039
0.349
0.013
0.036
0.110
2.403
0.015
VAR 4
-------4.211
0.623
0.054
0.367
0.712
0.166
0.907
VAR 5
VAR 6
VAR 1
--------0.015
-0.020
VAR 2
-------0.023
0.011
VAR 3
-------0.048
-0.021
VAR 4
--------0.080
0.031
12
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
0.002
0.032
-0.043
0.034
-0.025
-0.007
-0.005
0.011
0.032
-0.052
0.003
-0.005
-0.012
-0.048
0.005
0.008
-0.020
0.035
0.015
0.046
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 1
--------0.007
-0.008
0.001
0.015
-0.018
0.016
-0.008
VAR 2
-------0.012
0.005
-0.002
-0.002
0.005
0.017
-0.020
VAR 3
-------0.019
-0.007
0.001
-0.002
-0.004
-0.018
0.001
VAR 4
--------0.027
0.009
0.002
-0.007
0.010
0.005
0.011
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 5
-------- 0.341
0.572
0.000
0.136
0.459
0.605
VAR 6
--------
VAR 7
--------
VAR 8
--------
VAR 9
--------
- 0.016
0.091
0.287
0.806
1.926
- 0.183
2.014
0.079
0.522
- 1.160
0.586
0.503
- 0.161
0.049
VAR 10
--------
- - -
VAR 11
VAR 11
-------- Expected Change for THETA-DELTA
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 5
-------- 0.034
-0.034
-0.001
0.018
-0.027
0.041
VAR 6
--------
VAR 7
--------
VAR 8
--------
VAR 9
--------
- 0.007
0.013
-0.027
0.038
-0.079
- -0.032
0.109
-0.010
0.032
- -0.081
-0.026
0.031
- -0.017
-0.012
VAR 10
--------
- - -
VAR 11
VAR 11
-------- Completely Standardized Expected Change for THETA-DELTA
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 5
-------- 0.021
-0.015
0.000
0.012
-0.020
0.021
VAR 6
--------
VAR 7
--------
VAR 8
--------
VAR 9
--------
- 0.003
0.008
-0.015
0.023
-0.034
- -0.014
0.042
-0.004
0.010
- -0.052
-0.018
0.016
- -0.011
-0.006
VAR 10
--------
- - -
VAR 11
VAR 11
-------- -
13
Covariances
Y - ETA
ETA 1
ETA 2
VAR 1
-------2.957
3.115
VAR 2
-------2.722
2.868
VAR 3
-------3.115
4.719
VAR 4
-------3.547
5.373
VAR 2
-------0.444
0.510
0.858
VAR 3
--------0.217
-0.312
1.402
VAR 4
--------0.247
-0.355
1.596
VAR 6
-------0.622
-0.280
VAR 7
-------1.048
-0.540
VAR 8
-------0.554
-0.312
VAR 9
-------0.598
-0.336
VAR 10
-------0.932
1.402
VAR 6
-------1.258
1.018
0.678
VAR 7
-------1.757
1.945
0.629
VAR 8
-------0.788
1.117
0.133
VAR 9
-------0.851
1.206
0.144
VAR 10
-------0.525
0.133
1.175
Y - KSI
KSI 1
KSI 2
KSI 3
VAR 1
-------0.482
0.554
0.932
X - ETA
ETA 1
ETA 2
VAR 5
-------0.482
-0.217
X - ETA
ETA 1
ETA 2
VAR 11
-------1.339
2.014
X - KSI
KSI 1
KSI 2
KSI 3
VAR 5
-------0.974
0.788
0.525
X - KSI
KSI 1
KSI 2
KSI 3
VAR 11
-------0.754
0.192
1.688
VAR
VAR
VAR
VAR
1
2
3
4
ETA 1
-------1.719
1.583
- - -
ETA 2
-------- - 2.172
2.474
LAMBDA-X
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
KSI 1
-------0.987
1.274
0.908
- - - - -
KSI 2
-------- - 1.154
1.057
1.141
- - -
KSI 3
-------- - - - - 1.084
1.557
BETA
ETA 1
--------
ETA 2
--------
14
ETA 1
ETA 2
- 0.742
0.679
- -
KSI 1
-------0.123
-0.556
KSI 2
-------0.304
- -
GAMMA
ETA 1
ETA 2
KSI 3
-------- 0.497
ETA
ETA
KSI
KSI
KSI
ETA 1
-------1.000
0.834
0.284
0.305
0.500
1
2
1
2
3
ETA 2
--------
KSI 1
--------
KSI 2
--------
KSI 3
--------
1.000
-0.101
-0.136
0.595
1.000
0.756
0.491
1.000
0.117
1.000
PSI
ETA 1
ETA 2
ETA 1
-------0.164
-0.018
ETA 2
-------0.028
ETA 1
ETA 2
KSI 1
--------0.514
-0.937
KSI 2
-------0.614
0.455
KSI 3
-------0.681
1.002
VAR
VAR
VAR
VAR
1
2
3
4
ETA 1
-------0.961
0.976
- - -
ETA 2
-------- - 0.986
0.984
LAMBDA-X
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
KSI 1
-------0.845
0.910
0.465
- - - - -
KSI 2
-------- - 0.592
0.901
0.864
- - -
KSI 3
-------- - - - - 0.909
0.950
BETA
ETA 1
ETA 2
ETA 1
-------- 0.742
ETA 2
-------0.679
- -
GAMMA
ETA 1
ETA 2
KSI 1
-------0.123
-0.556
KSI 2
-------0.304
- -
KSI 3
-------- 0.497
ETA 2
KSI 1
KSI 2
KSI 3
15
ETA
ETA
KSI
KSI
KSI
-------1.000
0.834
0.284
0.305
0.500
1
2
1
2
3
--------
--------
--------
--------
1.000
-0.101
-0.136
0.595
1.000
0.756
0.491
1.000
0.117
1.000
VAR 2
-------0.047
VAR 3
-------0.028
VAR 4
-------0.031
VAR 6
-------0.171
VAR 7
-------0.017
VAR 8
-------0.188
PSI
ETA 1
ETA 2
ETA 1
-------0.164
-0.018
ETA 2
-------0.028
THETA-EPS
VAR 1
-------0.077
THETA-DELTA
VAR 5
-------0.285
VAR 9
-------0.253
VAR 10
-------0.174
THETA-DELTA
VAR 11
-------0.097
Regression Matrix ETA on KSI (Standardized)
ETA 1
ETA 2
KSI 1
--------0.514
-0.937
KSI 2
-------0.614
0.455
KSI 3
-------0.681
1.002
ETA 1
ETA 2
KSI 1
--------0.895
(0.426)
-2.102
KSI 2
-------0.999
(0.341)
2.931
KSI 3
-------1.080
(0.223)
4.839
-2.062
(0.515)
-4.007
0.936
(0.401)
2.333
2.008
(0.267)
7.529
ETA 1
ETA 2
KSI 1
--------1.109
(0.338)
-3.281
KSI 2
-------0.503
(0.238)
2.112
KSI 3
-------1.080
(0.223)
4.839
-0.839
(0.464)
-1.808
0.936
(0.401)
2.333
1.012
(0.308)
3.289
ETA 1
ETA 1
-------1.016
(0.408)
2.489
ETA 2
-------1.084
(0.280)
3.866
16
ETA 2
1.890
(0.714)
2.649
1.016
(0.408)
2.489
0.879
ETA 1
ETA 2
ETA 1
-------1.016
(0.408)
2.489
ETA 2
-------0.546
(0.246)
2.224
0.953
(0.545)
1.747
1.016
(0.408)
2.489
ETA 2
-------1.084
(0.280)
3.866
VAR 2
1.856
(0.383)
4.852
0.998
(0.257)
3.877
VAR 3
1.890
(0.714)
2.649
2.016
(0.408)
4.938
VAR 4
2.152
(0.813)
2.648
2.296
(0.469)
4.899
VAR 1
ETA 2
-------1.084
(0.280)
3.866
VAR 2
0.936
(0.378)
2.478
0.998
(0.257)
3.877
VAR 3
1.890
(0.714)
2.649
1.016
(0.408)
2.489
VAR 4
2.152
(0.813)
2.648
1.157
(0.466)
2.484
VAR 1
KSI 2
-------0.999
(0.341)
2.931
KSI 3
-------1.080
(0.223)
4.839
VAR 2
-0.824
(0.392)
-2.103
0.919
(0.313)
2.936
0.994
(0.205)
4.861
VAR 3
-2.062
0.936
2.008
VAR 1
17
VAR 4
(0.515)
-4.007
(0.401)
2.333
(0.267)
7.529
-2.348
(0.586)
-4.006
1.066
(0.457)
2.333
2.287
(0.304)
7.521
ETA 1
ETA 2
KSI 1
--------0.514
-0.937
KSI 2
-------0.614
0.455
KSI 3
-------0.681
1.002
ETA 1
ETA 2
KSI 1
--------0.636
-0.381
KSI 2
-------0.309
0.455
KSI 3
-------0.681
0.505
ETA 1
ETA 2
ETA 1
-------1.016
1.496
ETA 2
-------1.370
1.016
ETA 1
ETA 2
ETA 1
-------1.016
0.754
ETA 2
-------0.690
1.016
VAR
VAR
VAR
VAR
1
2
3
4
ETA 1
-------3.467
3.192
3.250
3.700
ETA 2
-------2.355
2.168
4.380
4.987
VAR
VAR
VAR
VAR
1
2
3
4
ETA 1
-------1.937
1.969
1.475
1.473
ETA 2
-------1.316
1.337
1.988
1.985
VAR
VAR
VAR
VAR
1
2
3
4
ETA 1
-------1.747
1.609
3.250
3.700
ETA 2
-------2.355
2.168
2.207
2.514
VAR
VAR
VAR
VAR
1
2
3
4
ETA 1
-------0.976
0.992
1.475
1.473
ETA 2
-------1.316
1.337
1.002
1.000
18
VAR
VAR
VAR
VAR
1
2
3
4
KSI 1
--------0.884
-0.814
-2.035
-2.317
KSI 2
-------1.055
0.972
0.989
1.127
KSI 3
-------1.170
1.078
2.177
2.479
VAR
VAR
VAR
VAR
1
2
3
4
KSI 1
--------0.494
-0.502
-0.924
-0.922
KSI 2
-------0.590
0.599
0.449
0.448
KSI 3
-------0.654
0.665
0.988
0.986
Hasil sintaksis proyek Lisrel walau agak sulit untuk mengungkap persamaan-persamaan
pengukuran dan persamaan-persamaan struktural akan tetapi dapat menyajikan pengaruhpengaruh total dan pengaruh-pengaruh tidak langsung.
19
Diagram jaringan yang dihasilkan dari pelaksanaan proyek Lisrel dipakai untuk mencipta
sintaksis proyek Simplis. Sintaksis proyek Simplis yang dicipta itu adalah sebagai berikut :
HYPOTHETICAL MODEL ESTIMATED BY ML
SYSTEM FILE from file 'C:\LISREL9 Student Examples\LISEX\EX1.DSF'
Sample Size = 100
Latent Variables 'ETA 1' 'ETA 2' 'KSI 1' 'KSI 2' 'KSI 3'
Relationships
'VAR 1' = 1.00*'ETA 1'
'VAR 2' = 'ETA 1'
'VAR 3' = 1.00*'ETA 2'
'VAR 4' = 'ETA 2'
'VAR 5' = 1.00*'KSI 1'
'VAR 6' = 'KSI 1'
'VAR 7' = 'KSI 1' 'KSI 2'
'VAR 8' = 1.00*'KSI 2'
'VAR 9' = 'KSI 2'
'VAR 10' = 1.00*'KSI 3'
'VAR 11' = 'KSI 3'
'ETA 1' = 'ETA 2'
'ETA 2' = 'ETA 1'
'ETA 1' = 'KSI 1' 'KSI 2'
'ETA 2' = 'KSI 1' 'KSI 3'
Set the Error Covariance of 'ETA 2' and 'ETA 1' Free
Path Diagram
Print Residuals
End of Problem
9.20 (STUDENT)
BY
20
100
VAR 1
VAR 2
VAR 3
VAR 4
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 1
-------3.204
2.722
3.198
3.545
0.329
0.559
1.006
0.468
0.502
1.050
1.260
VAR 2
--------
VAR 3
--------
VAR 4
--------
VAR 5
--------
VAR 6
--------
2.629
2.875
3.202
0.371
0.592
1.019
0.456
0.539
0.960
1.154
4.855
5.373
-0.357
-0.316
-0.489
-0.438
-0.363
1.416
1.923
6.315
-0.471
-0.335
-0.591
-0.539
-0.425
1.714
2.309
1.363
1.271
1.742
0.788
0.838
0.474
0.686
1.960
2.276
1.043
1.070
0.694
0.907
VAR 8
--------
VAR 9
--------
VAR 10
--------
VAR 11
--------
1.376
1.189
0.071
0.136
1.741
0.104
0.162
1.422
1.688
2.684
Covariance Matrix
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 7
-------3.803
1.953
2.090
0.655
0.917
21
ETA 2 =
Standerr
Z-values
P-values
22
KSI 1
-------0.974
(0.187)
5.196
KSI 2
--------
KSI 2
0.788
(0.150)
5.239
1.117
(0.194)
5.753
KSI 3
0.525
(0.133)
3.947
0.133
(0.125)
1.064
KSI 1
KSI 3
--------
1.175
(0.202)
5.813
ETA
ETA
KSI
KSI
KSI
1
2
1
2
3
ETA 1
-------2.957
3.115
0.482
0.554
0.932
ETA 2
--------
KSI 1
--------
KSI 2
--------
KSI 3
--------
4.719
-0.217
-0.312
1.402
0.974
0.788
0.525
1.117
0.133
1.175
Log-likelihood Values
Estimated Model
--------------Number of free parameters(t)
33
-2ln(L)
681.416
AIC (Akaike, 1974)*
747.416
BIC (Schwarz, 1978)*
833.387
Saturated Model
--------------66
652.022
784.022
955.963
33
29.394 (P = 0.6473)
27.247 (P = 0.7488)
0.0
(0.0 ; 12.673)
0.294
0.0
(0.0 ; 0.127)
0.0
(0.0 ; 0.0620)
0.893
0.990
(0.990 ; 1.117)
1.320
14.785
1456.516
0.980
1.004
0.588
1.000
1.003
0.966
185.484
0.0652
0.0266
0.953
0.906
0.476
23
VAR 1
VAR 2
VAR 3
VAR 4
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 1
-------3.204
2.722
3.115
3.547
0.482
0.622
1.048
0.554
0.598
0.932
1.339
VAR 2
--------
VAR 3
--------
VAR 4
--------
VAR 5
--------
VAR 6
--------
2.629
2.868
3.266
0.444
0.573
0.965
0.510
0.550
0.858
1.233
4.855
5.373
-0.217
-0.280
-0.540
-0.312
-0.336
1.402
2.014
6.315
-0.247
-0.318
-0.614
-0.355
-0.383
1.596
2.293
1.363
1.258
1.757
0.788
0.851
0.525
0.754
1.960
2.269
1.018
1.098
0.678
0.974
VAR 8
--------
VAR 9
--------
VAR 10
--------
VAR 11
--------
1.376
1.206
0.133
0.192
1.741
0.144
0.207
1.422
1.688
2.684
VAR 2
--------
VAR 3
--------
VAR 4
--------
VAR 5
--------
VAR 6
--------
0.000
0.007
-0.064
-0.073
0.019
0.054
-0.054
-0.011
0.102
-0.079
0.000
0.000
-0.140
-0.036
0.051
-0.126
-0.027
0.014
-0.091
0.000
-0.224
-0.017
0.023
-0.184
-0.042
0.118
0.016
0.000
0.013
-0.015
0.000
-0.013
-0.051
-0.068
0.000
0.007
0.025
-0.028
0.016
-0.067
VAR 8
--------
VAR 9
--------
VAR 10
--------
VAR 11
--------
0.000
-0.017
-0.062
-0.056
0.000
-0.040
-0.045
0.000
0.000
0.000
VAR 4
--------
VAR 5
--------
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 7
-------3.803
1.945
2.099
0.629
0.903
Fitted Residuals
VAR 1
VAR 2
VAR 3
VAR 4
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 1
-------0.000
0.000
0.083
-0.002
-0.153
-0.063
-0.042
-0.086
-0.096
0.118
-0.079
Fitted Residuals
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 7
-------0.000
0.008
-0.009
0.026
0.014
-0.224
-0.001
0.118
Stemleaf Plot
-
2|2
1|85
1|430
0|9988777666655
0|44444332211110000000000000000
0|111111222233
0|558
1|022
Standardized Residuals
VAR 1
--------
VAR 2
--------
VAR 3
--------
VAR 6
--------
24
VAR 1
VAR 2
VAR 3
VAR 4
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
0.000
0.000
0.165
-0.004
- -0.496
-0.116
-0.396
-0.630
0.489
-0.244
0.000
0.015
-0.128
- 0.184
0.164
-0.274
-0.104
0.664
-0.268
0.000
0.000
-0.711
-0.125
0.117
-0.485
-0.091
0.044
-0.220
0.000
-0.619
-0.047
0.047
-0.620
-0.126
0.395
0.034
- 0.048
-0.051
-0.001
-0.027
-2.722
-0.331
VAR 8
--------
VAR 9
--------
VAR 10
--------
VAR 11
--------
0.000
- -0.421
-0.459
- -0.279
-0.207
0.000
0.000
0.000
0.000
0.021
0.155
- - -0.268
Standardized Residuals
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 7
-------0.000
0.021
- 0.110
0.048
-2.722
0.000
0.664
Stemleaf Plot
-
2|7
2|
1|
1|
0|7666555
0|4433333222111111100000000000000000000000000000000
0|1122224
0|57
Largest Negative Standardized Residuals
Residual for
VAR 10 and
VAR 5 -2.722
Time used 0.094 seconds
Informasi di atas adalah lebih mudah untuk dipakai dalam menginterpretasikan hasil tersebut
daripada hasil dari proyek Lisrel akan tetapi informasi ini tidak menyajikan pengaruh total
dan pengaruh tidak langsung seperti dalam hasil dari proyek Lisrel di atas. Interpretasi dapat
dilakukan sebagai berikut :
DATE: 3/ 2/2016
TIME: 0:20
L I S R E L
9.20 (STUDENT)
BY
25
The following lines were read from file C:\LISREL9 Student Examples\LISEX\EX1.SPJ:
Bagian di atas mencerminkan bulan, tanggal, tahun, dan waktu pelaksanaan sintaksis Simplis.
Lisrel yang dipakai adalah Lisrel 9.20 (Student) yang dicipta oleh Karl G. Jreskog dan Dag
Srbom. Program Lisrel 9.20 (Student) ini diterbitkan oleh Scientific Software International
Inc., dengan alamat websitehttp://www.ssicentral.com. Hak cinta dipegang oleh Scientific
Software International Inc., 1981-2014. Pemakaian program ini sesuai dengan ketentuanketentuan dalam Universal Copyright Convention. Hasil ini dibaca dari arsip C:\LISREL9
Student Examples\LISEX\EX1.SPJ:
HYPOTHETICAL MODEL ESTIMATED BY ML
SYSTEM FILE from file 'C:\LISREL9 Student Examples\LISEX\EX1.DSF'
Sample Size = 100
Latent Variables 'ETA 1' 'ETA 2' 'KSI 1' 'KSI 2' 'KSI 3'
Relationships
'VAR 1' = 1.00*'ETA 1'
'VAR 2' = 'ETA 1'
'VAR 3' = 1.00*'ETA 2'
'VAR 4' = 'ETA 2'
'VAR 5' = 1.00*'KSI 1'
'VAR 6' = 'KSI 1'
'VAR 7' = 'KSI 1' 'KSI 2'
'VAR 8' = 1.00*'KSI 2'
'VAR 9' = 'KSI 2'
'VAR 10' = 1.00*'KSI 3'
'VAR 11' = 'KSI 3'
'ETA 1' = 'ETA 2'
'ETA 2' = 'ETA 1'
'ETA 1' = 'KSI 1' 'KSI 2'
'ETA 2' = 'KSI 1' 'KSI 3'
Set the Error Covariance of 'ETA 2' and 'ETA 1' Free
Path Diagram
Print Residuals
End of Problem
Sample Size =
100
Bagian kedua dari hasil di atas mencerminkan hasil perekaman sintaksis proyek Simplis.
Rekaman ini dapat dipakai sebagai arsip sintaksis proyek Simplis dengan cara menyimpan
bagian ini dalam suatu nama arsip proyek Simplis tertentu.
HYPOTHETICAL MODEL ESTIMATED BY ML
Covariance Matrix
VAR 1
VAR 2
VAR 3
VAR 4
VAR 5
VAR 6
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 1
-------3.204
2.722
3.198
3.545
0.329
0.559
1.006
0.468
0.502
1.050
1.260
VAR 2
--------
VAR 3
--------
VAR 4
--------
VAR 5
--------
VAR 6
--------
2.629
2.875
3.202
0.371
0.592
1.019
0.456
0.539
0.960
1.154
4.855
5.373
-0.357
-0.316
-0.489
-0.438
-0.363
1.416
1.923
6.315
-0.471
-0.335
-0.591
-0.539
-0.425
1.714
2.309
1.363
1.271
1.742
0.788
0.838
0.474
0.686
1.960
2.276
1.043
1.070
0.694
0.907
Covariance Matrix
26
VAR 7
VAR 8
VAR 9
VAR 10
VAR 11
VAR 7
-------3.803
1.953
2.090
0.655
0.917
VAR 8
--------
VAR 9
--------
VAR 10
--------
VAR 11
--------
1.376
1.189
0.071
0.136
1.741
0.104
0.162
1.422
1.688
2.684
Bagian ketiga dari hasil proyek Simplis sebagaimana disajikan di atas mencerminkan matriks
kovarians, Total Variance = 31.352 Generalized Variance = 0.0113, Largest Eigenvalue =
16.796, Smallest Eigenvalue = 0.139, dan Condition Number = 10.975.
Bagian keempat adalah bagian inti dari hasil pelaksanaan proyek Simplis yang membutuhkan
interpretasi secara rinci. Bagian ini adalah sebagai berikut :
HYPOTHETICAL MODEL ESTIMATED BY ML
Number of Iterations = 9
LISREL Estimates (Maximum Likelihood)
Measurement Equations
VAR 1 = 1.000*ETA 1, Errorvar.= 0.247 , R = 0.923
Standerr
(0.0531)
Z-values
4.663
P-values
0.000
Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var 1
merupakan fungsi dari variabel Eta 1 dengan koefisien regresi adalah 1. Hal ini berarti bahwa
perubahan satu unit dalam variabel laten endogen Eta 1 akan mengakibatkan perubahan 1
unit dalam variabel indikator endogen Var 1. Kesalahan varians adalah 0.247 dengan
kesalahan standar adalah 0.0531, nilai-z adalah 4.663, dan nilai-p adalah 0. Nilai-z adalah
lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah signifikan.
Koefisien determinasi adalah 0.923. Hal ini berarti bahwa varians dari variabel indikator
endogen Var 1 dapat dijelaskan sebesar 92.3% atau reliabilitas persamaan regresi memenuhi
persyaratan karena lebih besar daripada nilai 0.36.
VAR 2 = 0.921*ETA 1, Errorvar.= 0.123 , R = 0.953
Standerr (0.0354)
(0.0379)
Z-values
25.993
3.240
P-values
0.000
0.001
Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var 2
merupakan fungsi dari variabel Eta 1 dengan koefisien regresi adalah 0.921. Hal ini berarti
27
bahwa perubahan satu unit dalam variabel laten endogen Eta 1 akan mengakibatkan
perubahan 0.921 unit dalam variabel indikator endogen Var 2, dengan kesalahan standar
adalah 0.0354, nilai-z adalah 25.993, dan nilai-p adalah 0. Nilai-z adalah lebih besar daripada
nilai 1.96 sehingga koefisien regresi ini adalah signifikan. Kesalahan varians adalah 0.123
dengan kesalahan standar adalah 0.0379, nilai-z adalah 3.240, dan nilai-p adalah 0.001. Nilaiz adalah lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah signifikan.
Koefisien determinasi adalah 0.953. Hal ini berarti bahwa varians dari variabel indikator
endogen Var 2 dapat dijelaskan sebesar 95.3% atau reliabilitas persamaan regresi memenuhi
persyaratan karena lebih besar daripada nilai 0.36.
Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var 3
merupakan fungsi dari variabel Eta 2 dengan koefisien regresi adalah 1. Hal ini berarti bahwa
perubahan satu unit dalam variabel laten endogen Eta 3 akan mengakibatkan perubahan 1
unit dalam variabel indikator endogen Var 3. Kesalahan varians adalah 0.136 dengan
kesalahan standar adalah 0.0410, nilai-z adalah 3.325, dan nilai-p adalah 0. Nilai-z adalah
lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah signifikan.
Koefisien determinasi adalah 0.972. Hal ini berarti bahwa varians dari variabel indikator
endogen Var 3 dapat dijelaskan sebesar 97.2% atau reliabilitas persamaan regresi memenuhi
persyaratan karena lebih besar daripada nilai 0.36.
VAR 4 = 1.139*ETA 2, Errorvar.= 0.197 , R = 0.969
Standerr (0.0294)
(0.0546)
Z-values
38.739
3.603
P-values
0.000
0.000
Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var 4
merupakan fungsi dari variabel Eta 2 dengan koefisien regresi adalah 1.139. Hal ini berarti
bahwa perubahan satu unit dalam variabel laten endogen Eta 2 akan mengakibatkan
perubahan 1.139 unit dalam variabel indikator endogen Var 4, dengan kesalahan standar
adalah 0.0294, nilai-z adalah 38.739, dan nilai-p
daripada nilai 1.96 sehingga koefisien regresi ini adalah signifikan. Kesalahan varians adalah
0.197 dengan kesalahan standar adalah 0.0546, nilai-z adalah 3.603, dan nilai-p adalah 0.000.
Nilai-z adalah lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah
signifikan. Koefisien determinasi adalah 0.969. Hal ini berarti bahwa varians dari variabel
28
indikator endogen Var 4 dapat dijelaskan sebesar 96.9% atau reliabilitas persamaan regresi
memenuhi persyaratan karena lebih besar daripada nilai 0.36.
VAR 5 = 1.000*KSI 1, Errorvar.= 0.389 , R = 0.715
Standerr
(0.0638)
Z-values
6.094
P-values
0.000
Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var 5
merupakan fungsi dari variabel Ksi 1 dengan koefisien regresi adalah 1. Hal ini berarti bahwa
perubahan satu unit dalam variabel laten eksogenKsi 1 akan mengakibatkan perubahan 1 unit
dalam variabel indikator eksogen Var 5. Kesalahan varians adalah 0.389 dengan kesalahan
standar adalah 0.0638, nilai-z adalah 6.094, dan nilai-p adalah 0. Nilai-z adalah lebih besar
daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah signifikan. Koefisien
determinasi adalah 0.715. Hal ini berarti bahwa varians dari variabel indikator endogen Var 5
dapat dijelaskan sebesar 71.5% atau reliabilitas persamaan regresi memenuhi persyaratan
karena lebih besar daripada nilai 0.36.
VAR 6 = 1.291*KSI 1, Errorvar.= 0.336 , R = 0.829
Standerr (0.105)
(0.0671)
Z-values
12.335
5.001
P-values
0.000
0.000
Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var 6
merupakan fungsi dari variabel Ksi1 dengan koefisien regresi adalah 1.291. Hal ini berarti
bahwa perubahan satu unit dalam variabel laten eksogenKsi 1 akan mengakibatkan
perubahan 1.291 unit dalam variabel indikator eksogen Var 6, dengan kesalahan standar
adalah 0.105, nilai-z adalah 12.335, dan nilai-p adalah 0. Nilai-z adalah lebih besar daripada
nilai 1.96 sehingga koefisien regresi ini adalah signifikan. Kesalahan varians adalah 0.336
dengan kesalahan standar adalah 0.0671, nilai-z adalah 5.001, dan nilai-p adalah 0.000. Nilaiz adalah lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah signifikan.
Koefisien determinasi adalah 0.829 Hal ini berarti bahwa varians dari variabel indikator
eksogen Var 6 dapat dijelaskan sebesar 82.9% atau reliabilitas persamaan regresi memenuhi
persyaratan karena lebih besar daripada nilai 0.36.
VAR 7 = 0.920*KSI 1 + 1.092*KSI 2, Errorvar.= 0.0631 , R = 0.983
Standerr (0.123)
(0.117)
(0.0513)
Z-values
7.462
9.318
1.229
P-values
0.000
0.000
0.219
Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var 7
merupakan fungsi dari variabel Ksi2 dengan koefisien regresi adalah 0.920. Hal ini berarti
bahwa perubahan satu unit dalam variabel laten eksogenKsi 2 akan mengakibatkan
29
perubahan 0.920 unit dalam variabel indikator eksogen Var 7, dengan kesalahan standar
adalah 0.123, nilai-z adalah 7.462, dan nilai-p adalah 0. Nilai-z adalah lebih besar daripada
nilai 1.96 sehingga koefisien regresi ini adalah signifikan. Kesalahan varians adalah 0.631
dengan kesalahan standar adalah 0.0513, nilai-z adalahv 1.229, dan nilai-p adalah 0.000.
Nilai-z adalah lebih kecil daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah tidak
signifikan. Koefisien determinasi adalah 0.983 Hal ini berarti bahwa varians dari variabel
indikator eksogen Var 7 dapat dijelaskan sebesar 98.3% atau reliabilitas persamaan regresi
memenuhi persyaratan karena lebih besar daripada nilai 0.36.
VAR 8 = 1.000*KSI 2, Errorvar.= 0.259 , R = 0.812
Standerr
(0.0504)
Z-values
5.136
P-values
0.000
Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var
8merupakan fungsi dari variabel Ksi 2 dengan koefisien regresi adalah 1. Hal ini berarti
bahwa perubahan satu unit dalam variabel laten eksogenKsi 2 akan mengakibatkan
perubahan 1 unit dalam variabel indikator eksogen Var8. Kesalahan varians adalah 0.259
dengan kesalahan standar adalah 0.0504, nilai-z adalah 5.136, dan nilai-p adalah 0. Nilai-z
adalah lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah signifikan.
Koefisien determinasi adalah 0.812. Hal ini berarti bahwa varians dari variabel indikator
eksogen Var 8 dapat dijelaskan sebesar 81.2% atau reliabilitas persamaan regresi memenuhi
persyaratan karena lebih besar daripada nilai 0.36.
VAR 9 = 1.079*KSI 2, Errorvar.= 0.440 , R = 0.747
Standerr (0.0843)
(0.0749)
Z-values
12.798
5.875
P-values
0.000
0.000
Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var 9
merupakan fungsi dari variabel Ksi2 dengan koefisien regresi adalah 1.079. Hal ini berarti
bahwa perubahan satu unit dalam variabel laten eksogenKsi 2 akan mengakibatkan
perubahan 1.079 unit dalam variabel indikator eksogen Var 9, dengan kesalahan standar
adalah 0.0843, nilai-z adalah 12.798, dan nilai-p
daripada nilai 1.96 sehingga koefisien regresi ini adalah signifikan. Kesalahan varians adalah
0.440 dengan kesalahan standar adalah 0.0749, nilai-z adalah 5.875, dan nilai-p adalah 0.000.
Nilai-z adalah lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini
adalahsignifikan. Koefisien determinasi adalah 0.747 Hal ini berarti bahwa varians dari
30
variabel indikator eksogen Var 9 dapat dijelaskan sebesar 74.7% atau reliabilitas persamaan
regresi memenuhi persyaratan karena lebih besar daripada nilai 0.36.
VAR 10 = 1.000*KSI 3, Errorvar.= 0.247 , R = 0.826
Standerr
(0.0537)
Z-values
4.596
P-values
0.000
Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var
10 merupakan fungsi dari variabel Ksi 3 dengan koefisien regresi adalah 1. Hal ini berarti
bahwa perubahan satu unit dalam variabel laten eksogenKsi 3 akan mengakibatkan
perubahan 1 unit dalam variabel indikator eksogen Var 10. Kesalahan varians adalah 0.247
dengan kesalahan standar adalah 0.0537, nilai-z adalah 4.596, dan nilai-p adalah 0. Nilai-z
adalah lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah signifikan.
Koefisien determinasi adalah 0.826. Hal ini berarti bahwa varians dari variabel indikator
eksogen Var 10 dapat dijelaskan sebesar 82.6% atau reliabilitas persamaan regresi memenuhi
persyaratan karena lebih besar daripada nilai 0.36.
VAR 11 = 1.437*KSI 3, Errorvar.= 0.259 , R = 0.903
Standerr (0.0928)
(0.0917)
Z-values
15.479
2.827
P-values
0.000
0.005
Persamaan ini merupakan persamaan pengukuran. Persamaan ini mencerminkan bahwa Var
11 merupakan fungsi dari variabel Ksi3 dengan koefisien regresi adalah 1.437. Hal ini berarti
bahwa perubahan satu unit dalam variabel laten eksogenKsi 3 akan mengakibatkan
perubahan 1.437 unit dalam variabel indikator eksogen Var 11, dengan kesalahan standar
adalah 0.0928, nilai-z adalah 15.479, dan nilai-p
daripada nilai 1.96 sehingga koefisien regresi ini adalah signifikan. Kesalahan varians adalah
0.259 dengan kesalahan standar adalah 0.0917, nilai-z adalah 2.827, dan nilai-p adalah 0.005.
Nilai-z adalah lebih besar daripada nilai 1.96 sehingga nilai kesalahan varians ini
adalahsignifikan. Koefisien determinasi adalah 0.903 Hal ini berarti bahwa varians dari
variabel indikator eksogen Var 11 dapat dijelaskan sebesar 90.3% atau reliabilitas persamaan
regresi memenuhi persyaratan karena lebih besar daripada nilai 0.36.
Structural Equations
ETA 1 = 0.538*ETA 2 + 0.213*KSI 1 + 0.495*KSI 2, Errorvar.= 0.486 , R = 0.434
Standerr (0.0562)
(0.153)
(0.147)
(0.126)
Z-values
9.573
1.396
3.368
3.853
P-values
0.000
0.163
0.001
0.000
31
Persamaan ini merupakan persamaan struktural. Variabel laten endogen Eta 1 merupakan
fungsi dari variabel laten endogen Eta 2, variabel laten eksogen Ksi 1, dan variabel laten
eksogen Ksi 2 dengan koefisien regresi adalah 0.583 dari variabel Eta 2, 0.213 dari variabel
Ksi 1, dan 0.495 variabel Ksi 2. Hal ini berarti bahwa perubahan 1 unit pada variabel Eta 2,
Ksi 1, dan variabel Ksi 2 akan mengakibatkan perubahan sebesar 0.538 + 0.213 + 0.495 unit
pada variabel laten endogen Eta 1. Kesalahan standar dari koefisien regresi Eta 2 adalah
0.0562, nilai-z adalah 9.573, dan nilai p adalah 0. Hal ini berarti bahwa koefisien regresi dari
Eta2 adalah signifikan. Kesalahan standar dari koefisien regresi Ksi 1 adalah 0.153, nilai-z
adalah 1.396, dan nilai p adalah 0.163 Hal ini berarti bahwa koefisien regresi dari Ksi 1
adalah tidak signifikan karena nilai-z adalah lebih kecil daripada nilai 1.96 atau nilai-p adalah
lebih besar daripada nilai 0.05. Kesalahan standar dari koefisien regresi Ksi 2 adalah 0.147,
nilai-z adalah 3.368, dan nilai p adalah 0.001 Hal ini berarti bahwa koefisien regresi dari Ksi
2 adalah signifikan karena nilai-z adalah lebih besar daripada nilai 1.96 atau nilai-p adalah
lebih kecil daripada nilai 0.05. Kesalahan varians adalah 0.486 dengan kesalahan standar
adalah 0.126, nilai-z adalah 3.853, dan nilai-p adalah 0.000. Nilai-z adalah lebih besar
daripada nilai 1.96 dan nilai-p adalah lebih kecil daripada nilai 0.05 sehingga nilai kesalahan
varians ini adalah signifikan. Koefisien determinasi adalah 0.434 atau varians dari variabel
Eta 1 dapat dijelaskan sebesar 43.4% atau persyaratan reliabilitas persamaan regresi terpenuhi
karena nilai koefisien determinasi adalah lebih besar daripada nilai 0.36.
ETA 2 = 0.937*ETA 1 - 1.223*KSI 1 + 0.996*KSI 3, Errorvar.= 0.133 , R = 0.997
Standerr (0.177)
(0.121)
(0.151)
(0.0778)
Z-values
5.281
-10.102
6.599
1.707
P-values
0.000
0.000
0.000
0.088
Persamaan ini merupakan persamaan struktural. Variabel laten endogen Eta 2 merupakan
fungsi dari variabel laten endogen Eta 1, variabel laten eksogen Ksi 1, dan variabel laten
eksogen Ksi 3 dengan koefisien regresi adalah 0.937 dari variabel Eta 1, - 1.223 dari variabel
Ksi 1, dan 0.996 variabel Ksi 3. Hal ini berarti bahwa perubahan 1 unit pada variabel Eta 1,
Ksi 1, dan variabel Ksi 3 akan mengakibatkan perubahan sebesar 0.937-1.223 + 0.996 unit
pada variabel laten endogen Eta 2. Kesalahan standar dari koefisien regresi Eta 1 adalah
0.177, nilai-z adalah 5.281, dan nilai p adalah 0. Hal ini berarti bahwa koefisien regresi dari
Eta1 adalah signifikan. Kesalahan standar dari koefisien regresi Ksi 1 adalah 0.121, nilai-z
adalah -10.102, dan nilai p adalah 0.000 Hal ini berarti bahwa koefisien regresi dari Ksi 1
adalah signifikan karena nilai-z adalah lebih besar daripada nilai -1.96 atau nilai-p adalah
lebih kecil daripada nilai 0.05. Kesalahan standar dari koefisien regresi Ksi 3 adalah 0.151,
32
nilai-z adalah 6.599, dan nilai p adalah 0.000 Hal ini berarti bahwa koefisien regresi dari Ksi
3 adalah signifikan karena nilai-z adalah lebih besar daripada nilai 1.96 atau nilai-p adalah
lebih kecil daripada nilai 0.05. Kesalahan varians adalah 0.133 dengan kesalahan standar
adalah 0.0778, nilai-z adalah 1.707, dan nilai-p adalah 0.088. Nilai-z adalah lebih kecil
daripada nilai 1.96 dan nilai-p adalah lebih besar daripada nilai 0.05 sehingga nilai kesalahan
varians ini adalah tidak signifikan. Koefisien determinasi adalah 0.997 atau varians dari
variabelEta 2 dapat dijelaskan sebesar 99.7% atau persyaratan reliabilitas persamaan regresi
terpenuhi karena nilai koefisien determinasi adalah lebih besar daripada nilai 0.36.
NOTE: R for Structural Equations are Hayduk's (2006) Blocked-Error R
Error Covariance for ETA 2 and ETA 1 = -0.069
(0.169)
-0.408
Reduced Form Equations
ETA 1 =
Standerr
Z-values
P-values
ETA 2 =
Standerr
Z-values
P-values
KSI 2
--------
KSI 2
0.788
(0.150)
5.239
1.117
(0.194)
5.753
KSI 3
0.525
(0.133)
3.947
0.133
(0.125)
1.064
KSI 1
KSI 3
--------
1.175
(0.202)
5.813
ETA
ETA
KSI
KSI
KSI
1
2
1
2
3
ETA 1
-------2.957
3.115
0.482
0.554
0.932
ETA 2
--------
KSI 1
--------
KSI 2
--------
KSI 3
--------
4.719
-0.217
-0.312
1.402
0.974
0.788
0.525
1.117
0.133
1.175
Log-likelihood Values
Estimated Model
--------------Number of free parameters(t)
33
-2ln(L)
681.416
AIC (Akaike, 1974)*
747.416
BIC (Schwarz, 1978)*
833.387
Saturated Model
--------------66
652.022
784.022
955.963
33
Goodness-of-Fit Statistics
Degrees of Freedom for (C1)-(C2)
Maximum Likelihood Ratio Chi-Square (C1)
Browne's (1984) ADF Chi-Square (C2_NT)
33
29.394 (P = 0.6473)
27.247 (P = 0.7488)
0.0
(0.0 ; 12.673)
0.294
0.0
(0.0 ; 0.127)
0.0
(0.0 ; 0.0620)
0.893
0.990
(0.990 ; 1.117)
1.320
14.785
1456.516
0.980
1.004
0.588
1.000
1.003
0.966
185.484
0.0652
0.0266
0.953
0.906
0.476
34
Ukuran-ukuran kecocokan inkremental terdiri dari Tucker-Lewis Index atau No-Normed Fit
Index, Normed Fit Index, Adjusted Goodness of Fit Index, Relative Fit Index, Incremental Fit
Index, dan Comparative Fit Index.
Ukuran-ukuran kecocokan parsimonious terdiri dari Parsimonious Goodness of Fit, Normed
Chi-square, Parsimonious Normed Fit Index, Akaike Information Criterion, dan Consistent
Akaike Information Criterion.
Ukuran lain adalah Critical N.
Ukuran
Standar
Chi-Suare
Kecil
Kecil
Kecil
>= 0.90
<= 0.05
<= 0.05
Kecil
>=0.90
>=0.90
>=0.90
>=0.90
>=0.90
>=0.90
Nilai Tinggi
Normed Chi-square
Batas 1 dan 2
Nilai Tinggi
Nilai <Parsimonious
Nilai <Parsimonious
Critical N
>=200
Realisasi
Evaluasi
Ukuran-ukuran yang dipakai dalam Lisrel 9.20 mengalami perubahan jika dibanding dengan
ukuran-ukuran dalam Lisrel 8.80. Perubahan ini disesuaikan dengan perkembangan Lisrel itu
sendiri di samping perkembangan-perkembangan lain. Penambahan ukuran kecocokan ini
akan mempersulit pengujian secara rinci akan tetapi Lisrel 9.20 juga menyediakan empat
ukuran untuk menentukan kecocokan atau ketidakcocokan antara model dan data. Kesulitan
ini dapat dialami jika 30% cocok dan 70% tidak cocok, apakah model itu cocok atau tidak
cocok dengan data?
Ukuran-ukuran disediakan secara rinci akan dipakai untuk menganalisis kecocokan antara
model dan data secara rinci pula akan tetapi keputusan akhir mungkin mengalami
35
kebingungan. Analisis secara rinci atas kecocokan antara model dan data pada tingkat akhir
perlu dibanding dengan informasi yang terkandung dalam diagram jalur.
Ketentuan yang dipakai di sini adalah jika nilai Chi-square adalah 0, jika nilai derajat
kebebasan adalah 0, jika nilai-p adalah 1, dan jika nilai RMSEA adalah 0 maka kecocokan
antara model dan data adalah sempurna. Peningkatan nilai Chi-square, nilai derajat
kebebasan, dan nilai RMSA akan menurunkan nilai-p. Penurunan nilai Chi-square, derajat
kebebasan, dan nilai RMSEA akan meningkatkan nilai-p.
Ukuran
Standar
>=0.05
Kecil
>=0.05
<=0.05
<= 0.05
0.294
0.0
0.0
>=0.05
0.893
0.990
(0.990 ; 1.117)
1.320
14.785
1456.516
>= 0.90
>= 0.90
>= 0.90
>= 0.90
>= 0.90
>= 0.90
0.980
Cocok
Cocok
Cocok
Cocok
0.588
1.000
Cocok
1.003
0.966
>=200
185.484
<= 0.05
0.0652
Standardized RMR
<= 0.05
0.0266
>= 0.90
>= 0.90
>= 0.90
0.953
Cocok
Cocok
1.004
Critical N (CN)
Cocok
(0.0 ; 0.0620)
0.0
(0.0 ; 0.127)
Cocok
(0.0 ; 12.673)
29.394 (P = 0.6473)
27.247 (P = 0.7488)
Evaluasi
33
Realisasi
0.906
Tidak
Tidak
Cocok
Cocok
0.476
Kriteria Goodness-of-Fit Statistics adalah sangat banyak dan biasanya dipilih beberapa
kriteria saja untuk menentukan apakah model itu cocok atau tidak cocok dengan data. Cara
36
lain untuk menentukan kecocokan antara model dan data dapat dilakukan melalui diagram
jaringan sebagaimana disajikan di bawah ini :
Kriteria
Chi-square
df
p-value
RMSEA
Standar
0
0
>0.05
0
Realisas
i
29.39
33
0.64734
0
Evaluas
i
Cocok
Cocok
Kecocokan terdapat antara model dan data karena nilai p adalah lebih besar daripada nilai 0.05.
Kecocokan sempurna tidak tercapai akan tetapi persyaratan kecocokan masih terpenuhi.
Diagram jalur mengandung gambar kotak persegi panjang dan bulat telur. Bentuk kotak persegi
panjang dipakai untuk variabel-variavel indikator eksogen dan endogen dan bulat telur dipakai untuk
variabel-variabel laten eksogen dan endogen. Variabel laten adalah variabel yang tidak dapat
diobservasi dan tidak dapat diukur secara langsung dan pengukuran dilakukan melalui perwakilan
yaitu melalui variabel-variabel indikator yang dikembangkan atas dasar teori-teori tertentu bukan atas
dasar akal sehat. Variabel-variabel laten antara lain adalah motivasi kerja, kinerja, suasana kerja,
kemampuan kerja, kekuasaan, politik, budaya organisasi, pelayanan publik, kualitas pelayanan,
kepuasan kerja, kepuasan pelanggan, citra merek, dan sebagainya. Beberapa buku telah memakai
Lisrel 8.80 antara lain untuk variabel laten motivasi kerja dan suasana kerja akan tetapi kedua variabel
ini diperlakukan sebagai variabel yang dapat diobservasi dan dapat diukur secara langsung sehingga
gambar yang dipakai bukan bulat telur akan tetapi kotak persegi panjang. Hal ini bertentangan dengan
makna yang sebenarnya dari Lisrel. Contoh di bawah ini merupakan contoh dari variabel-variabel
yang dapat diobservasi dan dapat diukur secara langsung yaitu capital, labor, time, dan gnp sehingga
kotak persegi panjang dipakai dan pemakaian ini adalah tepat.
37
Sintaksis Proyek Lisrel di atas mencerminkan pemakaian empat variabel yang dapat
diobservasi dan dapat diukur secara langsung atau variabel-variabel non-laten. Cara mencipta
diagram jalur atas variabel-variabel non-laten berbeda dengan cara mencipta diagram jalur
atas variabel-variabel laten. Pelaksanaan sintaksis proyek Lisrel di atas menghasilkan
informasi sebagai berikut :
DATE: 3/12/2016
TIME: 12:30
L I S R E L
8.72
BY
Karl G. Jreskog & Dag Srbom
38
End of Problem
Sample Size =
23
Regression of GNP
Covariance Matrix
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
Regression of GNP
Number of Iterations =
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
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
39
0.062 Seconds
GNP merupakan fungsi dari variabel Labor, Capital, dan Time. Koefisien regresi dari variabel Labor
adalah 3.82. Hal ini berarti bahwa perubahan 1 unit dalam variabel Labor akan mengakibatkan
perubahan 3.82 unit dalam variabel GNP. Koefisien regresi dari variabel Capital adalah 0.32. Hal ini
berarti bahwa perubahan 1 unit dalam variabel Capital akan mengakibatkan perubahan 0.32 unit
dalam variabel GNP. Koefisien regresi dari variabel Time adalah 3.79. Hal ini berarti bahwa
perubahan 1 unit dalam variabel T akan mengakibatkan perubahan 3.79 unit dalam variabel GNP.
Kesalahan standar dari variabel Labor adalah 0.22 dan nilai-t adalah 17.70. Nilai-t ini adalah lebih
besar daripada nilai 1.96 sehingga koefisien regresi dari variabel Labor adalah signifikan. Kesalahan
standar dari variabel Capital adalah 0.031 dan nilai-t adalah 10.54. Nilai-t ini adalah lebih besar
daripada nilai 1.96 sehingga koefisien regresi dari variabel Capital ini adalah signifikan. Kesalahan
standar dari variabel Time adalah 0.19 dan nilai-t adalah 20.35. Nilai-t ini adalah lebih besar daripada
nilai 1.96 sehingga koefisien regresi dari variabel Time adalah signifikan. Kesalahan varians adalah
12.47 dengan kesalahan standar adalah 4.05 dan nilai-t adalah 3.08. Nilai-t ini adalah lebih besar
daripada nilai 1.96 sehingga nilai kesalahan varians ini adalah signifikan. Koefisien determinasi
adalah 1 atau varians dari variabel GNP dapat dijelaskan 100% atau persamaan regresi ini memenuhi
persyaratan reliabilitas.
Kriteria Goodness of Fit adalah sebagai berikut :
Goodness of Fit Statistics
Degrees of Freedom = 0
Minimum Fit Function Chi-Square = 0.0 (P = 1.00)
Normal Theory Weighted Least Squares Chi-Square = 0.00 (P = 1.00)
The Model is Saturated, the Fit is Perfect !
Kecocokan sempurna tercapai antara model dan data. Hal ini tercermin pula dalam diagram
jalur.
40
Kriteria
Chi-square
df
p-value
RMSEA
Standar
0
0
>0.05
0
Realisas Evaluas
i
i
0 Cocok
0 Cocok
1 Cocok
0 Cocok
Kecocokan terdapat antara model dan data berdasar atas hasil evaluasi di atas karena nilainilai realisasi telah memenuhi nilai-nilai standar.
Rangkuman
Pembahasan di atas telah memakai contoh yang terdapat dalam paket program Lisrel 9.20 (Student).
Beberapa contoh dipakai dan interpretasi atas hasil-hasil dilakukan. Contoh-contoh yang dipilih terdiri
dari contoh-contoh yang mengandung variabel-variabel laten eksogen dan variabel-variabel laten
endogen dan contoh yang tidak mengandung variabel-variabel laten eksogen dan endogen. Beberapa
pembahasan sering memakai Lisrel akan tetapi mencerminkan penerapan yang salah karena variabel
laten diperlakukan sebagai variabel yang dapat diobservasi dan dapat diukur secara langsung seperti
variabel motivasi kerja dan suasana kerja. Kesalahan-kesalahan seperti ini mungkin saja dialami
dalam aplikasi Lisrel.
Cara termudah dan dapat dianggap tepat dalam melakukan pengujian kecocokan antara model dan
data dapat diarahkan pada informasi yang terkandung di bawah diagram jalur dan mencakup
informasi mengenai nilai Chi-Square, nilai degree of freedom, p-value, dan nilai RMSEA. Informasi
ini dapat dipakai untuk menentukan apakah model itu cocok atau tidak cocok dengan data.
Contoh kesatu mencerminkan pemakaian variabel-variabel laten eksogen dan variabel-variabel laten
endogen yaitu variabel-variabel yang tidak dapat diobservasi dan diukur secara langsung. Variabelvariabel indikator eksogen dikembangkan sesuai dengan teori-teori tertentu dan tidak layak
41
dijumlahkan antara nilai dari variabel-variabel indikator eksogen tersebut. Variabel-variabel indikator
eksogen berfungsi sebagai perwakilian dari variabel laten eksogen dan variabel-variabel indikator
eksogen ini baru dapat dianggap tepat jika telah dapat diobservasi dan telah dapat diukur secara
langsung. Variabel-variabel indikator endogen dikembangkan sesuai dengan teori-teori tertentu dan
tidak layak dijumlahkan antara nilai dari variabel-variabel indikator endogen tersebut. Variabelvariabel indikator endogen berfungsi sebagai perwakilian dari variabel laten endogen dan variabelvariabel indikator endogen ini baru dapat dianggap tepat jika telah dapat diobservasi dan telah dapat
diukur secara langsung.
SPSS tidak mengandung peluang untuk melakukan analisis jalur dan beberapa penulis telah memakai
SPSS untuk analisis jalur. Analisis jalur dapat dilakukan bukan melalui SPSS akan tetapi melalui
Amos karena IBM SPSS Statistics, Inc. telah mengembangkan Amos untuk Pemrograman Persamaan
Struktural termasuk analisis jalur.
Penulis akhirnya mengharap kritik dari para pembaca dan kritik ini semoga dapat dipakai untuk
memperbaiki isi tulisan ini.
Permata Depok Regency, 12 Maret 2016
42