Jasa Konsultan Statistik

Kontak kami di 087784673150 untuk jasa Konsultan Statistik dan jasa pengolahan (jasa olah data statistik) dengan SPSS, AMOS, Eviews, PLS (Partial Least Square) dan SAS untuk skripsi, tesis dan disertasi.

Kami alumni S2 UI juga alumni S1 dan S3 IPB sebagai Konsultan Statistik dan Metodologi Penelitian Kuantitatif, memberikan jasa olah data statistik di Jakarta atau di wilayah lain di Indonesia, analisa atau analisis data penelitian dan konsultasi atau bimbingan pembuatan skripsi, tesis dan disertasi dengan menggunakan perangkat lunak SPSS, Eviews, AMOS dan Lisrel. Kami juga memberikan jasa konsultasi untuk penyelesaian persoalan-perosoalan statistika di perusahaan, lembaga pemerintah dan swasta  Kami juga menyelenggarakan pelatihan interanl perusahaan (in house training), menganalisis dan “membunyikan” hasil penelitian dan survey di berbagai lembaga.
Beberapa alasan menggunakan jasa pengolahan data statistik (jasa olah data statistik) dari kami:

  • Proses pengolahan data disupervisi oleh dosen senior mata kuliah statistik dan metodologi penelitian di program doktor dan magister. 
  • Output analisis data diberikan interpretasi yang rinci sehingga bisa dijadikan komponen utama bab 4 atau bab hasil dan pembahasan 
  • Mahasiswa diberikan penjelasan via telpon atau tatap muka langsung (Jakarta, Depok, Bogor, Bekasi, Tangerang dan sekitarnya) 
  • Biaya terjangkau dan dibayar setelah hasil pengolahan data disampaikan, sehingga mahasiswa tidak menanggung resiko. 
  • Pengolahan dan analisa data penelitian meliputi membaca dan menginterpretrasikan data, analisis regresi linier berganda, analisis model persamaan simultan, structural equation modeling (SEM), model linier programming ataupun model kuantitatif lainnya.

Konsultasi dengan tatap muka bisa dilakukan di kantor atau kampus konsultan, bagi yang tinggal di Jabodetabek. Bagi yang tinggal di luar Jabodetabek, tentu juga bagi yang tinggal di Jabodetabek, konsultasi bisa dilakukan via telpon Telkom, Telkomsel, Indosat, XL, Esia ataupun dengan Yahoo Messenger dan Skype.

Untuk permintaan jasa pengolahan data, Anda tinggal kirimkan via email data Anda dan sampaikan analisis apa yang Anda atau dosen Anda inginkan. Hasil analisis akan disampaikan berikut penjelasannya secara tertulis dan penjelasan lisan dengan media komunikasi bila dibutuhkan. Biaya jasa pengolahan data, dilakukan setelah pengolahan data selesai dikerjakan, sehingga mahasiswa tidak memiliki resiko kehilangan uang bila harus membayar di depan.

Pada umumnya penelitian dengan metoda kuantitatif meliputi serangkaian pengujian dan analisis data antara lain: uji instrumen penelitian atau kuesioner (uji Reliabilitas dan uji Validitas), uji asumsi dasar (uji Normalitas, Homogenitas, Linieritas), uji penyimpangan asumsi klasik (Multikolinearitas, Heteroskedastisitas, Autokorelasi), Regresi Linier, Path Analysis, Structural Equation Modeling (SEM).

Konsultasi dengan tatap muka bisa dilakukan di kantor atau kampus konsultan bagi yang tinggal di Jabodetabek. Bagi yang tinggal di luar Jabodetabek, tentu juga bagi yang tinggal di Jabodetabek, konsultasi bisa dilakukan via telpon Telkom, Telkomsel, Indosat, XL, Esia ataupun dengan Yahoo Messenger dan Skype.

Untuk permintaan jasa olah data statistik di Jakarta atau di wilayah lain di Indonesia, Anda tinggal kirimkan via email data Anda dan sampaikan analisis apa yang Anda atau dosen Anda inginkan. Hasil analisis akan disampaikan berikut penjelasannya secara tertulis dan penjelasan lisan dengan media komunikasi bila dibutuhkan.

Berbekal pengalaman sebagai konsultan dan dosen pengajar metoda penelitian, ekonomi manajerial, statistika dan ekonometrika di program doktor ekonomi dan program magister di Jakarta, Insya Allah kami bisa menyelesaikan persoalan penelitian yang Anda hadapi.

 

Jln. Borobudur No. 7D Jakarta Pusat
Tel. 021 – 7777 379
SMS/WA : 08159696995, 087784673150
Email: ahlidata@yahoo.com

=================================================

Statistik adalah ilmu merancang penelitian atau percobaan, mengumpulkan data dan data pemodelan / analisis untuk tujuan pengambilan keputusan dan penemuan ilmiah ketika informasi yang tersedia adalah terbatas dan variabel. Artinya, statistik adalah ilmu Belajar dari data. Hampir semua orang-termasuk presiden perusahaan, perwakilan pemasaran, ilmuwan sosial, insinyur, peneliti medis, dan konsumen-penawaran dengan data. Data ini bisa dalam bentuk angka penjualan kuartalan, kenaikan persen pada kejahatan remaja, tingkat kontaminasi dalam sampel air, tingkat kelangsungan hidup untuk pasien yang menjalani terapi medis, angka sensus, atau informasi yang membantu menentukan merek mobil untuk membeli.

Dalam teks ini, kita mendekati studi statistik dengan mempertimbangkan proses empat langkah di Belajar dari data: (1) mendefinisikan masalah, (2) pengumpulan data, (3) meringkas data, dan (4) menganalisis data, menafsirkan analisis, dan mengkomunikasikan hasil. Melalui penggunaan empat langkah di Belajar dari data, penelitian kami statistik sejajar dengan Metode Ilmiah, yang merupakan seperangkat prinsip dan prosedur yang digunakan oleh para ilmuwan berhasil dalam mengejar pengetahuan mereka. Metode ini melibatkan perumusan tujuan penelitian, desain studi observasional dan / atau eksperimen, pengumpulan data, pemodelan / analisis data dalam konteks tujuan penelitian, dan pengujian hipotesis. Kesimpulan dari langkah-langkah sering perumusan tujuan penelitian baru untuk penelitian lain. Langkah-langkah ini digambarkan dalam skema yang diberikan pada Gambar 1.1.

 

Bahasan ini dibagi menjadi beberapa bagian sesuai dengan proses empat langkah di Belajar dari data. Hubungan antara langkah-langkah dan bab dari buku ini ditunjukkan pada Tabel 1.1. Seperti yang dapat Anda lihat dari tabel ini, banyak waktu yang dihabiskan membahas bagaimana menganalisis data menggunakan metode dasar yang disajikan dalam Bab 5-18. Namun, Anda harus ingat bahwa untuk setiap set data yang membutuhkan analisis, seseorang telah didefinisikan masalah yang akan diperiksa (Langkah 1), mengembangkan rencana untuk mengumpulkan data untuk mengatasi masalah (Langkah 2), dan meringkas data dan mempersiapkan data untuk analisis (Langkah 3). Kemudian menyusul analisis data, hasil analisis harus diinterpretasikan dan dikomunikasikan baik secara lisan atau dalam bentuk tertulis kepada penonton dimaksudkan (Langkah 4).

Semua empat langkah penting dalam Belajar dari data; pada kenyataannya, kecuali masalah yang akan ditangani didefinisikan secara jelas dan pengumpulan data dilakukan dengan benar, interpretasi hasil analisis dapat menyampaikan informasi yang menyesatkan karena analisis didasarkan pada satu set data yang tidak mengatasi masalah atau yang tidak lengkap dan berisi informasi yang tidak benar. Seluruh teks, kita akan mencoba untuk membuat Anda tetap fokus pada gambaran yang lebih besar dari Belajar dari data melalui proses empat langkah. Kebanyakan bab akan berakhir dengan bagian ringkasan yang menekankan bagaimana materi bab ini cocok menjadi studi statistik-Learning dari data. Untuk menggambarkan beberapa konsep di atas, kita akan mempertimbangkan empat situasi di mana empat langkah di Belajar dari data dapat membantu dalam memecahkan masalah dunia nyata.

 

1. Masalah: Pemantauan kualitas berkelanjutan fasilitas manufaktur bola lampu. Sebuah pabrik bola lampu memproduksi sekitar setengah juta lampu per hari. Departemen jaminan kualitas harus memantau TABLE 1.1 Organisasi teks Empat-Langkah Bab 1 Pendahuluan 1 Statistik dan Metode Ilmiah 2 Pengumpulan Data 2 Menggunakan Survei dan Studi Eksperimental Mengumpulkan data 3 Meringkas data 3 Data Keterangan 4 Probabilitas dan Probabilitas Distribusi 4 Menganalisis data, Alih 5 Kesimpulan tentang Penduduk Central Nilai yang Analisis, dan 6 Kesimpulan Membandingkan Dua Nilai Penduduk Central Berkomunikasi Hasil 7 Kesimpulan tentang Penduduk Varians 8 Kesimpulan tentang More Than Dua Populasi Central Nilai 9 Beberapa Perbandingan 10 kategoris data 11 Linear Regresi dan Korelasi 12 Regresi dan Model Umum Linear 13 Regresi lanjut Topik 14 Analisis Varians untuk Completely Desain Acak 15 Analisis Varians untuk Diblokir Designs 16 Analisis Kovarian 17 Analisis Variance untuk Beberapa Tetap Tanpa, random, dan Mixed-Effects Model 18 Berpisah -Plot, berulang Tindakan, dan Crossover Desain 19 Analisis Varians untuk Beberapa Desain seimbang GAMBAR 1.1 Metode Ilmiah Skema Keputusan: kesimpulan tertulis, presentasi lisan Merumuskan tujuan-tujuan baru penelitian: model baru, hipotesis baru Kesimpulan: grafik, estimasi, hipotesis pengujian, model penilaian mengumpulkan data: pengelolaan data Merumuskan tujuan penelitian: hipotesis penelitian, model Rencana studi: ukuran sampel, variabel, unit percobaan, sampel mekanisme tingkat cacat dari lampu. Ini bisa menyelesaikan tugas ini dengan menguji setiap bola, namun biaya akan cukup besar dan akan sangat meningkatkan harga per umbi. Pendekatan alternatif adalah untuk memilih 1.000 lampu dari produksi harian 500.000 lampu dan menguji masing-masing 1.000. Fraksi lampu yang rusak di 1.000 diuji dapat digunakan untuk memperkirakan fraksi cacat dalam produksi seluruh hari, asalkan 1.000 lampu dipilih dengan cara yang tepat. Kami akan menunjukkan di bab berikutnya bahwa fraksi yang rusak di lampu diuji mungkin akan cukup dekat dengan fraksi cacat produksi seluruh hari dari 500.000 lampu. 2.

Masalah: Apakah ada hubungan antara merokok dan berhenti kenaikan berat badan? Untuk menyelidiki klaim bahwa orang yang berhenti merokok sering mengalami kenaikan berat badan berikutnya, peneliti memilih sampel acak dari 400 peserta yang telah berhasil berpartisipasi dalam program berhenti merokok. Individu-individu ditimbang pada awal program dan lagi 1 tahun kemudian. Rata-rata perubahan berat peserta adalah peningkatan dari 5 pon. Para peneliti menyimpulkan bahwa ada bukti bahwa klaim itu sah. Kami akan mengembangkan teknik di bab berikutnya untuk menilai ketika perubahan adalah perubahan yang benar-benar signifikan dan tidak berubah karena kebetulan acak. 3.

Masalah: Apa efek tidak pupuk nitrogen terhadap produksi gandum? Untuk studi tentang efek pupuk nitrogen pada produksi gandum, total 15 bidang yang tersedia untuk peneliti. Dia secara acak tiga bidang masing-masing dari lima tingkat nitrogen dalam penyelidikan. Varietas yang sama dari gandum ditanam di semua 15 bidang. Bidang dibudidayakan dengan cara yang sama sampai panen, dan jumlah pon gandum per acre kemudian direkam untuk masing-masing 15 bidang. Eksperimen ingin menentukan tingkat optimal dari nitrogen untuk diterapkan ke ladang gandum, tapi, tentu saja, dia hanya sebatas menjalankan percobaan pada sejumlah bidang. Setelah menentukan jumlah nitrogen yang menghasilkan produksi terbesar gandum di bidang studi, eksperimen kemudian menyimpulkan bahwa hasil yang sama akan berlaku untuk ladang gandum yang memiliki karakteristik agak sama dengan bidang studi. Apakah eksperimen dibenarkan dalam mencapai kesimpulan ini? 4. Masalah: Menentukan opini publik ke arah pertanyaan, masalah, produk, atau calon. Aplikasi yang serupa statistik dibawa ke pikiran dengan sering menggunakan jajak pendapat New York Times / CBS News, Washington Post / ABC News, CNN, Harris, dan Gallup. Bagaimana lembaga survei ini dapat menentukan pendapat lebih dari 195 juta orang Amerika yang berusia voting? Mereka tentu tidak menghubungi setiap pemilih potensial di Amerika Serikat. Sebaliknya, mereka mencicipi pendapat dari sejumlah kecil pemilih potensial, mungkin sedikitnya 1.500, untuk memperkirakan reaksi setiap orang dari usia pemilih di negeri ini. Hasil yang menakjubkan dari proses ini adalah bahwa jika pemilihan pemilih dilakukan dengan cara yang berisi dan pemilih diminta ambigu, nonleading pertanyaan, fraksi orang-orang menghubungi yang memegang pendapat tertentu erat akan cocok fraksi dalam total holding populasi bahwa pendapat pada waktu tertentu. Kami akan menyediakan bukti yang mendukung meyakinkan dari pernyataan ini di bab-bab berikutnya. Masalah-masalah ini menggambarkan proses empat langkah di Belajar dari data. Pertama, ada masalah atau pertanyaan yang harus ditangani. Berikutnya, untuk setiap masalah studi 4 Bab 1 Statistik dan Metode Ilmiah atau percobaan diusulkan untuk mengumpulkan data yang berarti untuk menjawab masalah. Departemen jaminan kualitas harus memutuskan kedua berapa banyak lampu yang dibutuhkan untuk diuji dan bagaimana untuk memilih sampel dari 1.000 lampu dari total produksi lampu untuk mendapatkan hasil yang valid. Kelompok polling harus memutuskan berapa banyak pemilih untuk sampel dan bagaimana untuk memilih individu-individu dalam rangka untuk memperoleh informasi yang merupakan perwakilan dari populasi semua pemilih. Demikian pula, itu perlu untuk hati-hati merencanakan berapa banyak peserta dalam studi berat-gain yang diperlukan dan bagaimana mereka akan dipilih dari daftar seluruh peserta tersebut. Selanjutnya, variabel apa yang harus para peneliti telah diukur pada setiap peserta? Apakah perlu untuk mengetahui setiap peserta usia, jenis kelamin, kebugaran fisik, dan variabel yang berhubungan dengan kesehatan lainnya, atau itu berat satu-satunya variabel penting? Hasil penelitian ini mungkin tidak relevan dengan populasi umum jika banyak peserta dalam studi ini memiliki kondisi kesehatan tertentu. Dalam percobaan gandum, itu penting untuk mengukur baik karakteristik tanah ladang dan kondisi lingkungan, seperti suhu dan curah hujan, untuk mendapatkan hasil yang bisa digeneralisasi untuk bidang tidak termasuk dalam penelitian ini. Desain studi atau penelitian sangat penting untuk mendapatkan hasil yang dapat digeneralisasi di luar penelitian.

Akhirnya, setelah dikumpulkan, dirangkum, dan menganalisis data, penting untuk melaporkan hasil dalam hal jelas kepada orang-orang tertarik. Untuk contoh lampu, manajemen dan staf teknis akan perlu mengetahui kualitas batch produksi mereka. Berdasarkan informasi ini, mereka bisa menentukan apakah penyesuaian dalam proses yang diperlukan. Oleh karena itu, hasil analisis statistik tidak dapat disajikan dalam hal ambigu; keputusan harus dibuat dari basis pengetahuan yang jelas. Hasil penelitian berat-gain akan menarik penting untuk dokter yang memiliki pasien berpartisipasi dalam program penghentian merokok. Jika peningkatan yang signifikan dalam berat tercatat untuk orang-orang yang telah berhenti merokok, dokter mungkin harus merekomendasikan diet sehingga mantan perokok tidak akan pergi dari satu masalah kesehatan (merokok) ke yang lain (peningkatan tekanan darah karena kelebihan berat badan). Sangat penting bahwa deskripsi hati-hati dari-peserta yaitu, usia, jenis kelamin, dan lain informasi-akan berhubungan dengan kesehatan termasuk dalam laporan. Dalam studi gandum, percobaan akan memberikan petani dengan informasi yang akan memungkinkan mereka untuk ekonomi memilih jumlah optimum nitrogen diperlukan untuk bidang mereka.

 

Oleh karena itu, laporan harus berisi informasi mengenai jumlah kelembaban dan jenis tanah hadir pada bidang studi. Jika tidak, kesimpulan tentang produksi gandum optimal mungkin tidak berhubungan dengan petani yang menanam gandum dalam kondisi sangat berbeda. Untuk menyimpulkan secara sah bahwa hasil studi yang berlaku untuk kelompok yang lebih besar dari sekadar peserta dalam penelitian ini, kita harus hati-hati mendefinisikan penduduk (lihat Definisi 1.1) yang kesimpulan dicari dan merancang sebuah studi di mana sampel (lihat Definisi 1.2) telah tepat dipilih dari populasi yang ditunjuk.

 

Pemodelan Persamaan Struktural  (Structural Equation Modeling)  (Structural Equation Modeling)

Pada tahun 1980, Peter Bentler (1980, p. 420) menyatakan bahwa

Pemodelan Persamaan Struktural  (Structural Equation Modeling) diadakan ‘janji terbesar

untuk memajukan ilmu psikologi. “Sejak itu,

ada banyak penting teoritis dan

kemajuan praktis di lapangan. Begitu banyak sehingga, pada kenyataannya, bahwa

Muthe? N (2001) mengumumkan ‘generasi kedua’ dari

Pemodelan Persamaan Struktural  (Structural Equation Modeling). Tujuan dari ini

Artikel ini adalah untuk memberikan gambaran tentang ‘generasi pertama’

Pemodelan Persamaan Struktural  (Structural Equation Modeling) dan untuk menguraikan

secara singkat perkembangan terbaru yang merupakan

‘generasi kedua’ Pemodelan Persamaan Struktural  (Structural Equation Modeling).

Artikel ini tidak akan mencurahkan ruang untuk perbandingan

paket perangkat lunak tertentu. Untuk yang paling

bagian, paket perangkat lunak yang ada berbeda dalam hal

antarmuka pengguna. Pasar yang kompetitif di struktural

software pemodelan persamaan berarti bahwa perkembangan baru

tersedia dalam satu paket perangkat lunak akan segera

tersedia di lain.

1. Generasi Pertama: Definisi dan Ringkas

Sejarah Structural Equation Modeling

Pemodelan Persamaan Struktural  (Structural Equation Modeling) dapat didefinisikan sebagai sebuah kelas

metodologi yang bertujuan untuk mewakili hipotesis

tentang sarana, varians, dan covariances dari

Data yang diamati dalam hal jumlah yang lebih kecil dari

‘Struktural’ parameter yang didefinisikan oleh hipotesis a

mendasari konseptual atau teoritis Model. Secara historis,

Pemodelan Persamaan Struktural  (Structural Equation Modeling) berasal dari

hibrida dari dua tradisi statistik yang terpisah. Pertama

Tradisi adalah analisis faktor yang dikembangkan dalam disiplin

psikologi dan psikometri. Tradisi kedua

adalah model persamaan simultan dikembangkan

terutama dalam ekonometri, tetapi memiliki sejarah awal

bidang genetika dan diperkenalkan ke bidang

sosiologi di bawah analisis nama jalan.

Subyek artikel ini menyangkut kombinasi

dari variabel laten? faktor pendekatan analitik dengan

model persamaan simultan. Kombinasi

metodologi ini menjadi kerangka kerja analitis yang koheren

didasarkan pada karya Joreskog (1973),

Keesling (1972) dan Wiley (1973).

2. Umum Model

Model persamaan umum struktural seperti diuraikan oleh

Joreskog (1973) terdiri dari dua bagian: (a) struktur

bagian yang menghubungkan variabel laten satu sama lain melalui sistem

persamaan simultan, dan (b) pengukuran

bagian yang menghubungkan variabel laten dengan variabel yang diamati

melalui model faktor dibatasi (konfirmasi). Itu

bagian struktural dari model dapat ditulis sebagai

η? BηΓξζ (1)

mana η adalah vektor endogen (kriteria) laten

variabel, ξ adalah vektor dari eksogen (prediktor) laten

variabel, B adalah matriks koefisien regresi

berkaitan variabel endogen laten satu sama lain,

Γ adalah matriks dari koefisien regresi yang berkaitan endogen

variabel untuk variabel eksogen, dan ζ adalah

vektor istilah gangguan.

Variabel laten terkait dengan variabel teramati

melalui persamaan pengukuran endogen yang

variabel dan variabel eksogen. persamaan ini

didefinisikan sebagai

y? Λy

ηε (2)

dan

x? Λx

ξδ (3)

mana Λy dan Λx adalah matriks dari faktor loadings,

masing-masing, dan ε dan δ adalah vektor keunikan,

masing-masing. Selain itu, model umum menentukan

varians dan covariances untuk ξ, ζ, ε, dan δ, dilambangkan Φ,

Ψ, Θε

, Dan Θδ, masing-masing.

Pemodelan Persamaan Struktural  (Structural Equation Modeling) adalah suatu metodologi

dirancang terutama untuk menguji teori substantif. Sebagai

seperti, teori mungkin cukup berkembang untuk

menunjukkan bahwa konstruksi tertentu tidak mempengaruhi lainnya

konstruksi, bahwa variabel tertentu tidak memuat tentang

faktor-faktor tertentu, dan bahwa gangguan tertentu dan

kesalahan pengukuran tidak covary. Ini berarti bahwa

beberapa elemen dari B, Γ, Λy

, Λx

, Φ, Ψ, Θε

, Dan Θδ

15215

Modeling Persamaan Struktural

tetap nol dengan hipotesis. Parameter yang tersisa

bebas untuk diperkirakan. Pola tetap

dan parameter bebas menyiratkan struktur khusus untuk

kovarians matriks dari variabel yang diamati. Didalam

cara, Pemodelan Persamaan Struktural  (Structural Equation Modeling) dapat dilihat sebagai

kasus khusus dari rekan yang lebih umum? struktur ariance

Model didefinisikan sebagai Σ? Σ (Ω), di mana Σ adalah penduduk

kovarians matriks andΣ (Ω) adalah fungsi matriks dihargai

dari Ω ektor parameter? mengandung semua

parameter model.

3. Identifikasi dan Estimasi Struktural

Model persamaan

Sebuah prasyarat untuk estimasi parameter

Model ini adalah untuk menetapkan apakah parameter yang

diidentifikasi. Kita mulai dengan definisi identifikasi

dengan mempertimbangkan masalah dari kovarians

perspektif pemodelan struktur. Populasi kovarians

matriks Σ mengandung varians populasi dan

covariances yang diasumsikan mengikuti model

ditandai dengan satu set parameter yang terkandung dalam Ω.

Kita tahu bahwa varians dan covariances di Σ kaleng

diestimasi dengan rekan-rekan sampel mereka di

sampel kovarians matriks S menggunakan langsung

persamaan untuk perhitungan varians sampel dan

covariances. Dengan demikian, parameter dalam Σ diidentifikasi.

Apa yang perlu ditetapkan sebelum estimasi adalah

apakah parameter yang tidak diketahui di Ω diidentifikasi

dari unsur Σ.

Kami mengatakan bahwa unsur-unsur dalam Ω diidentifikasi jika mereka

dapat dinyatakan unik dalam hal unsur-unsur

kovarians matriks Σ. Jika semua elemen dalam Ω adalah

diidentifikasi maka model diidentifikasi. Berbagai

kondisi yang diperlukan dan cukup untuk mendirikan

identifikasi model ada dan dijelaskan dalam

Kaplan (2000).

kemajuan besar dalam Pemodelan Persamaan Struktural  (Structural Equation Modeling)

telah, bisa dibilang, telah dibuat di bidang parameter

perkiraan. Masalah estimasi parameter

kekhawatiran memperoleh perkiraan parameter bebas

model, tunduk pada batasan yang diberlakukan oleh

parameter tetap model. Dengan kata lain, tujuan

adalah untuk menerapkan model untuk sampel kovarians matriks S,

yang merupakan perkiraan kovarians populasi

matriks Σ yang diasumsikan mengikuti struktur

model persamaan. Estimasi diperoleh sehingga

Perbedaan antara taksiran matriks kovarians

Σ? Σ (Ω) dan sampel kovarians matriks S, adalah sebagai

sekecil mungkin. Oleh karena itu, estimasi parameter

membutuhkan memilih di antara berbagai fungsi pas.

fungsi pas memiliki sifat-sifat yang (a) nilai

fungsi lebih besar dari atau sama dengan nol, (b)

nilai fungsi sama dengan nol jika, dan hanya jika,

Model cocok dengan data sempurna, dan (c) fungsi ini

kontinu. Kami pertama mempertimbangkan estimator yang mengasumsikan

normalitas multivariat data. Kami akan membahas

estimator untuk data non-normal dalam Sect. 5.

Estimasi berbasis Teori 3.1 normal

Metode estimasi yang paling umum yang bertumpu pada

asumsi normalitas multivariat adalah metode

kemungkinan maksimum. Jika asumsi multivariat

normalitas data yang diamati memegang, perkiraan

diperoleh dari estimasi kemungkinan maksimum memiliki

sifat yang diinginkan tertentu. Secara khusus, maksimum

estimasi kemungkinan akan menghasilkan berisi dan

Perkiraan efisien serta sampel besar goodnessof-fit

uji.

Fungsi lain pas yang menikmati sama

properti di bawah asumsi yang sama adalah umum

kuadrat terkecil (GLS) estimator dikembangkan untuk

struktural equation modeling konteks oleh Joreskog dan

Goldberger (1972).

4. Pengujian

Setelah parameter model telah diperkirakan,

model dapat diuji untuk fit global untuk data. Di

Selain itu, hipotesis mengenai parameter individu

dapat juga dievaluasi. Kami mempertimbangkan model

pengujian di bagian ini.

4.1 Pengujian global Model Fit

Sebuah fitur dari estimasi kemungkinan maksimum adalah bahwa

satu eksplisit dapat menguji hipotesis bahwa model

cocok data. Hipotesis nol menyatakan bahwa ditentukan

Model memegang dalam populasi. yang sesuai

hipotesis alternatif adalah bahwa kovarians populasi

matriks adalah setiap simetris (dan yang pasti positif)

matriks. Di bawah estimasi kemungkinan maksimum,

statistik untuk menguji hipotesis nol bahwa model

cocok dalam populasi disebut sebagai kemungkinan

ratio (LR) tes. Distribusi sampel besar dari

uji rasio kemungkinan adalah chi-kuadrat dengan derajat

kebebasan yang diberikan oleh perbedaan dalam jumlah

elemen nonredundan di kovarians populasi

matriks dan jumlah parameter bebas di

model.

4.2 Pengujian Hipotesis Mengenai Indi? Idual

parameter

Selain tes global apakah model memegang

tepatnya di populasi, kita juga dapat menguji hipotesis

mengenai tetap dan dibebaskan parameter individu dalam

model. Secara khusus, kita dapat mempertimbangkan tiga alternatif

cara untuk mengevaluasi elemen tetap dan dibebaskan dari

model vis-a? vis keseluruhan fit.

Metode pertama terletak pada perbedaan antara

rasio kemungkinan statistik chi-squared membandingkan

diberikan model terhadap model lebih longgar. Penarikan

bahwa hipotesis awal, mengatakan H ?, diuji terhadap

hipotesis alternatif Ha yang Σ adalah simetris positif

15216

Modeling Persamaan Struktural

matriks definit. Mempertimbangkan hipotesis kedua, mengatakan H? yang berbeda dari H? dalam satu parameter yang

dibatasi dengan nol sekarang santai. Perhatikan bahwa

hipotesis alternatif adalah sama dalam kedua kasus.

Oleh karena itu, perubahan nilai chi-kuadrat antara

dua model dapat digunakan untuk menguji perbaikan di

cocok karena relaksasi dari pembatasan. Itu

distribusi perbedaan antara dua chisquared

tes didistribusikan sebagai chi-kuadrat dengan derajat

kebebasan menyamai perbedaan dalam derajat-offreedom

antara model di bawah H? dan kurang

Model membatasi bawah H ?. Dalam kasus tunggal

pembatasan yang dijelaskan di sini, perbedaan chi-kuadrat

Tes dievaluasi dengan satu derajat kebebasan.

Ada cara lain untuk menilai perubahan

Model tanpa memperkirakan model bersarang kedua. Itu

Lagrange multiplier (LM) tes dapat digunakan untuk menilai

apakah membebaskan parameter tetap akan menghasilkan

peningkatan yang signifikan dalam fit keseluruhan model.

Tes LM asimtotik didistribusikan sebagai chisquared

dengan derajat kebebasan menyamai perbedaan

antara derajat kebebasan yang lebih

Model ketat dan model kurang membatasi. Lagi,

jika pembatasan sedang dievaluasi, maka uji LM

akan dievaluasi dengan satu derajat kebebasan. LM

Tes ini juga disebut sebagai indeks modifikasi.

Akhirnya, kita dapat mempertimbangkan mengevaluasi apakah memperbaiki

parameter bebas akan menghasilkan penurunan yang signifikan

dalam fit dari model. Hal ini disebut sebagai Wald

uji.

Tes Wald adalah asimtotik didistribusikan sebagai chisquared

dengan derajat kebebasan menyamai jumlah

dikenakan pembatasan. Ketika bunga dalam mengevaluasi

salah satu pembatasan uji Wald didistribusikan sebagai chisquared

dengan satu derajat kebebasan. Akar kuadrat

dari statistik Wald dalam hal ini adalah statistik z. Itu

Alasan mengapa tes LM dan Wald dapat digunakan sebagai

pendekatan alternatif untuk parameter pengujian model

bahwa mereka asimtotik setara dengan satu sama lain

dan untuk uji perbedaan chi-kuadrat.

4.3 Alternati? Metode e Model Fit

Sejak awal 1980-an, perhatian telah difokuskan pada

pengembangan indeks alternatif yang menyediakan relatif

perspektif yang berbeda pada fit dari struktur

model persamaan. Perkembangan indeks ini

telah termotivasi, sebagian, oleh sensitivitas dikenal

dari rasio kemungkinan chi-kuadrat statistik untuk besar

ukuran sampel. kelas-kelas lain dari indeks telah

termotivasi oleh kebutuhan untuk memikirkan kembali gagasan pengujian

tepat fit pada populasi-ide yang dianggap oleh

beberapa tidak realistis dalam situasi yang paling praktis.

Akhirnya, kelas lain dari indeks alternatif telah

dikembangkan yang berfokus pada kecukupan lintas validasi

dari model.

Pada bagian ini kita akan membagi diskusi kami

fit indeks alternatif ke dalam tiga kategori: (a)

tindakan berdasarkan perbandingan fit untuk model dasar,

termasuk yang menambahkan fungsi penalti untuk model

kompleksitas, (b) tindakan berdasarkan kesalahan populasi

dari perkiraan, dan (c) tindakan cross-validasi.

4.3.1 Tindakan berdasarkan comparati? E ​​cocok untuk baseline

model. Diperdebatkan, yang paling aktif bekerja di

bidang indeks fit alternatif telah pengembangan

dari apa yang secara luas disebut sebagai tindakan

dari comparati? e fit. Ide dasar di balik indeks ini

adalah bahwa fit dari model ini dibandingkan dengan fit dari

beberapa model baseline yang biasanya menentukan lengkap

kemerdekaan antara variabel-variabel yang diamati. Cocok

dari model dasar biasanya akan cukup besar dan

dengan demikian masalah adalah apakah model seseorang yang menarik adalah

peningkatan relatif terhadap model dasar. indeks

biasanya skala berbohong antara nol dan satu,

dengan satu mewakili cocok relatif terhadap baseline ini

model. Banyaknya indeks fit komparatif

menghalangi pembahasan rinci dari masing-masing. Kami

akan mempertimbangkan subset dari indeks di sini yang berfungsi untuk

menggambarkan ide dasar.

Contoh klasik dari fit komparatif

Indeks adalah bernorma-fit index (NFI) yang diusulkan oleh

Bentler dan Bonett (1980). Indeks ini dapat ditulis sebagai

NFI? Χ

b

χ

t

χ

b

(4)

mana χt

b adalah chi-kuadrat untuk model lengkap

kemerdekaan (yang disebut model baseline) dan χ

t adalah

chi-kuadrat untuk model target bunga. Ini

Indeks, yang berkisar dari nol sampai satu, memberikan

ukuran sejauh mana model sasaran adalah

perbaikan atas model baseline.

NFI mengasumsikan hipotesis nol benar dan

Oleh karena itu distribusi chi-kuadrat sentral tes

statistik. Namun, argumen dapat dibuat bahwa

hipotesis nol tidak pernah sepenuhnya benar dan bahwa

distribusi statistik uji dapat lebih baik didekati

oleh non-tengah chi-kuadrat dengan noncentrality

parameter λ. Perkiraan noncentrality yang

parameter dapat diperoleh dari selisih antara

statistik dan derajat terkait kebebasan.

Dengan demikian, untuk model yang tidak sangat misspecified,

indeks yang dikembangkan oleh McDonald dan Marsh (1990)

dan disebut sebagai relati? indeks noncentrality e

(RNI) dapat didefinisikan sebagai

RNI? [(Χ

b

dfb

) (Χ

t

DFT

)]

χ

b

dfb

(5)

The RNI dapat berada di luar 0-1 jangkauan. Untuk memperbaiki hal ini,

Bentler (1990) disesuaikan dengan RNI sehingga akan berbaring di

kisaran 0-1. Versi yang disesuaikan ini disebut sebagai

yang comparati? e Indeks fit (CFI).

15.217

Modeling Persamaan Struktural

Akhirnya, ada kelas indeks fit komparatif

bahwa indeks fit menyesuaikan yang ada untuk jumlah

parameter yang diperkirakan. Ini disebut

indeks perbandingan fit berbasis kekikiran. Alasannya

balik indeks ini adalah bahwa model dapat dibuat untuk menyesuaikan

data dengan hanya memperkirakan lebih banyak dan lebih banyak parameter.

Memang, model yang hanya diidentifikasi sesuai dengan

Data sempurna. Oleh karena itu, banding ke kekikiran

akan mengharuskan indeks tersebut disesuaikan untuk

jumlah parameter yang diestimasi.

Penting untuk dicatat bahwa penggunaan komparatif

indeks belum tanpa kontroversi. Khususnya,

Sobel dan Borhnstedt (1985) berpendapat awal

bahwa indeks ini dirancang untuk membandingkan seseorang

model hipotesis terhadap dipertanyakan ilmiah

hipotesis dasar bahwa variabel yang diamati

benar-benar tidak berkorelasi satu sama lain. Namun, sebagai

Sobel dan Borhnstedt (1985) berpendapat, salah satu tidak akan pernah

serius menghibur hipotesis tersebut, dan bahwa mungkin

indeks ini harus dibandingkan dengan yang berbeda

hipotesis dasar. Sayangnya, konvensional

praktek Pemodelan Persamaan Struktural  (Structural Equation Modeling) yang diwakili

dalam jurnal ilmiah menunjukkan bahwa indeks ini

selalu dibandingkan dengan model dasar dari

kemerdekaan penuh.

4.3.2 Tindakan berdasarkan kesalahan dari perkiraan. Saya t

telah dicatat sebelumnya bahwa rasio kemungkinan chisquared

Uji menilai sebuah hipotesis nol yang tepat bahwa

Model cocok dalam populasi. Pada kenyataannya, itu adalah

cukup tidak mungkin bahwa model akan sesuai dengan data sempurna.

Tidak hanya itu masuk akal untuk mengharapkan kami

model untuk menahan sempurna, tapi misspecifications sepele

dapat memiliki efek yang merugikan pada rasio kemungkinan

menguji bila diterapkan sampel besar. Oleh karena itu, lebih

pendekatan yang masuk akal adalah untuk menilai apakah model cocok

sekitar baik dalam populasi. kesulitan

timbul ketika mencoba untuk mengukur apa yang dimaksud dengan

‘sekitar.’

Untuk memotivasi pekerjaan ini sangat berguna untuk membedakan

antara berbagai jenis perbedaan. Pertama, ada

perbedaan karena pendekatan, yang mengukur

kurangnya fit dari model untuk populasi

kovarians matriks. Kedua, ada perbedaan karena

estimasi, yang mengukur perbedaan antara

model fit untuk sampel kovarians matriks dan

model fit untuk matriks kovarians populasi. Akhirnya,

ada perbedaan karena keseluruhan kesalahan yang

mengukur perbedaan antara unsur-unsur

populasi kovarians matriks dan model fit dengan

sampel kovarians matriks.

Langkah-langkah dari perkiraan fit prihatin dengan

perbedaan karena pendekatan. Berdasarkan pekerjaan

Steiger dan Lind (1980) adalah mungkin untuk menilai

perkiraan fit dari model dalam populasi. Itu

metode Steiger dan Lind (1980) menggunakan akar

mean square error dari pendekatan (RMSEA) untuk

mengukur perkiraan fit. Dalam memanfaatkan RMSEA

untuk menilai perkiraan fit, hipotesis resmi

kerangka pengujian digunakan. Biasanya sebuah RMSEA

nilai? 0,05 dianggap sebagai ‘dekat fit. “Nilai ini

berfungsi untuk menentukan hipotesis nol formal cocok dekat. Di

Selain itu, interval kepercayaan 90% sekitar

RMSEA dapat dibentuk, memungkinkan penilaian terhadap

ketepatan estimasi (Steiger dan Lind 1980).

pedoman praktis direkomendasikan menunjukkan bahwa nilai-nilai

dari RMSEA antara 0,05 dan 0,08 adalah indikasi

fit adil, sementara nilai antara 0,08 dan 0,10 adalah

indikasi biasa-biasa saja fit.

4.3.3 Langkah-langkah yang menilai lintas? Alidation

kecukupan. Pertimbangan penting lainnya dalam mengevaluasi

model struktural adalah apakah model tersebut

mampu cross-memvalidasi baik dalam sampel masa depan

ukuran yang sama, dari populasi yang sama, dan sampel

dengan cara yang sama. Dalam beberapa kasus, seorang penyidik

mungkin memiliki sampel yang cukup besar untuk memungkinkan untuk menjadi

acak terbelah dua dengan model estimasi dan

diubah pada sampel kalibrasi dan kemudian crossvalidated

pada sampel alidation?. Ketika ini

mungkin, maka model pas akhir dari kalibrasi

sampel diterapkan pada kovarians sampel validasi

matriks dengan estimasi parameter tetap ke taksiran

nilai-nilai yang diperoleh dari sampel kalibrasi.

Dalam banyak kasus, peneliti mungkin tidak memiliki

sampel cukup besar untuk memungkinkan pemisahan menjadi kalibrasi

dan sampel validasi. Namun, crossvalidation yang

kecukupan model tetap menjadi yang diinginkan

sepotong informasi dalam model evaluasi. dua sebanding

metode untuk menilai kecukupan cross-validasi

adalah kriteria informasi Akaike (AIC)

dan indeks cross-validasi yang diharapkan (ECVI). Di

kedua kasus, diasumsikan bahwa penyidik ​​adalah dalam

posisi untuk memilih di antara satu set model bersaing.

Model dengan terendah AIC atau ECVI nilai akan

model yang akan memiliki yang terbaik cross-validasi

kemampuan.

5. Asumsi statistik mendasari Struktural

Modeling persamaan

Seperti dengan semua metodologi statistik, struktur

pemodelan persamaan mensyaratkan bahwa yang mendasari tertentu

asumsi harus puas untuk memastikan akurat

kesimpulan. Asumsi utama yang terkait dengan

Pemodelan Persamaan Struktural  (Structural Equation Modeling) meliputi: multivariat

normalitas, tidak ada data yang sistematis yang hilang, cukup

ukuran sampel yang besar, dan spesifikasi model yang benar.

5.1 Asumsi Sampling

Untuk keperluan estimasi yang tepat dan inferensi, sebuah

sangat pertanyaan penting menyangkut mekanisme sampling.

Dengan tidak adanya informasi eksplisit untuk

15218

Modeling Persamaan Struktural

Sebaliknya, metode estimasi seperti kemungkinan maksimum

berasumsi bahwa data yang dihasilkan sesuai dengan

simple random sampling. Mungkin lebih sering daripada

tidak, bagaimanapun, model persamaan struktural yang diterapkan

data yang telah diperoleh melalui sesuatu

selain simple random sampling. Sebagai contoh,

ketika data diperoleh melalui pengambilan sampel multistage,

asumsi biasa pengamatan independen

dilanggar mengakibatkan bias diprediksi. Struktural

model persamaan diperluas untuk mempertimbangkan multistage

sampel akan dibahas dalam Sect. 6.

5.2 Non-normalitas

Asumsi dasar yang mendasari penggunaan standar

Pemodelan Persamaan Struktural  (Structural Equation Modeling) adalah bahwa pengamatan yang

diambil dari terus menerus dan normal multivariate

populasi. Asumsi ini sangat penting

untuk estimasi kemungkinan maksimum karena maksimum

kemungkinan estimator berasal langsung dari

ekspresi untuk distribusi normal multivariat. Jika

data mengikuti kontinyu dan normal multivariate

distribusi, maka kemungkinan maksimum mencapai optimal

sifat asimtotik, yaitu, bahwa perkiraan

normal, berisi, dan efisien.

Efek dari non-normalitas pada perkiraan, standar

kesalahan, dan tes model fit sudah dikenal. Itu

literatur yang ada menunjukkan bahwa non-normalitas tidak

mempengaruhi estimasi parameter. Sebaliknya, standar

kesalahan tampaknya meremehkan relatif terhadap

standar deviasi empiris dari perkiraan. Dengan

Sehubungan dengan kebaikan-of-fit, penelitian menunjukkan bahwa nonnormality

dapat menyebabkan terlalu tinggi besar

rasio kemungkinan chi-kuadrat statistik, dan terlalu tinggi ini

tampaknya berhubungan dengan jumlah

derajat kebebasan model.

5.2.1 estimator untuk data non-normal. estimasi

metode yang dibahas di Sect. 3 diasumsikan multivariat

data normal. Dalam kasus di mana data

tidak multivariat normal, dua estimator umum ada

yang berbeda tergantung pada apakah variabel yang diamati

kontinu atau kategoris.

Salah satu terobosan besar dalam struktur

pemodelan persamaan telah pengembangan

metode estimasi yang tidak didasarkan pada asumsi

dari data normal multivariat terus menerus.

Browne (1984) mengembangkan distribusi asimtotik

gratis (ADF) estimator berdasarkan tertimbang kuadrat-

teori, di mana matriks berat mengambil khusus

untuk m. Secara khusus, ketika data tidak multivariat

normal, matriks berat dapat diperluas untuk memasukkan

informasi tentang skewness dan kurtosis

dari data. studi simulasi menunjukkan

kinerja yang cukup baik dari estimasi ADF

dibandingkan dengan ML dan GLS.

Masalah dengan estimator ADF adalah komputasi yang

kesulitan yang dihadapi untuk model moderat

ukuran. Secara khusus, dengan variabel p ada u?

1? 2p (p1) elemen dalam sampel kovarians matriks

S. Matriks berat badan adalah pesanan u? U. Hal ini dapat dilihat

bahwa ukuran matriks berat tumbuh pesat dengan

jumlah variabel. Jadi, jika model diperkirakan

dengan 20 variabel, matriks berat badan akan berisi

22.155 elemen yang berbeda. Selain itu, estimasi ADF

diperlukan bahwa ukuran sampel (untuk masing-masing kelompok jika

relevan) melebihi p1? 2p (p1) untuk memastikan bahwa

matriks berat badan adalah non-singular. Kendala ini memiliki

terbatas utilitas dari estimator ADF di diterapkan

pengaturan.

Kesulitan lain dengan estimator ADF adalah bahwa

sosial dan perilaku Data ilmu jarang terus menerus.

Sebaliknya, kita cenderung menghadapi data kategorikal

dan sering, kita menemukan campuran dari jenis skala dalam

analisis spesifik. Ketika hal ini terjadi, asumsi

kontinuitas serta normalitas multivariat yang

dilanggar. Muthe? N (1984) membuat kontribusi besar untuk

estimasi model persamaan struktural di bawah

kondisi yang lebih realistis dengan menyediakan terpadu

Pendekatan untuk memperkirakan model yang mengandung campuran

skala pengukuran.

Ide dasar dari Muthe? (1984) metode n adalah bahwa

mendasari setiap variabel kategoris adalah laten a

terus menerus dan terdistribusi normal variabel. Itu

statistik untuk memperkirakan model korelasi

antara variabel-variabel laten. Sebagai contoh,

Pearson korelasi momen-produk antara diamati

variabel dikotomis disebut coef- phi

ficients. Phi koefisien bisa meremehkan ‘benar’ atau

korelasi laten antara variabel. Jadi, ketika

phi koefisien yang digunakan dalam model persamaan struktural,

perkiraan dapat dilemahkan. Sebaliknya, laten

korelasi antara variabel dikotomis disebut

untuk korelasi sebagai tetrakorik, dan penggunaannya

akan menghasilkan koefisien korelasi disattenuated.

korelasi yang mendasari lain juga dapat didefinisikan.

Prosedur yang dikembangkan oleh Muthe? N (1984) menangani

campuran dari jenis skala dengan menghitung sesuai

korelasi dan matriks bobot yang sesuai yang sesuai

bagi mereka korelasi. Ini dimasukkan

menjadi tertimbang analisis kuadrat-menghasilkan yang benar

kebaikan-of-fit tes, perkiraan, dan kesalahan standar.

Sayangnya, seperti dengan estimator ADF, metode

dari Muthe? n adalah komputasi intensif. Namun,

Penelitian telah menunjukkan metode estimasi bagaimana tersebut dapat

dikembangkan yang tidak komputasi intensif.

5.3 data Hilang

prosedur umumnya, statistik seperti struktur

pemodelan persamaan mengasumsikan bahwa setiap unit analisis

memiliki data lengkap. Namun, karena berbagai alasan, unit

mungkin hilang nilai-nilai pada satu atau lebih variabel

15219

Modeling Persamaan Struktural

sedang dalam investigasi. pendekatan banyak ad hoc

ada untuk menangani data yang hilang, termasuk listwise dan

penghapusan berpasangan. Namun, pendekatan ini mengasumsikan

bahwa data yang hilang tidak berhubungan dengan variabel

yang memiliki data yang hilang, atau variabel lain di

Model, yaitu, hilang sepenuhnya secara acak (MCAR) -

asumsi heroik di terbaik. Lebih mutakhir

pendekatan untuk menangani data yang hilang berasal dari

ide-ide mani Little dan Rubin (1987).

Memanfaatkan Rubin dan Little kerangka, seorang mayor

terobosan dalam pendekatan model berbasis untuk hilang

Data dalam konteks Pemodelan Persamaan Struktural  (Structural Equation Modeling) adalah

dilakukan secara bersamaan oleh Allison (1987) dan Muthe? n et

Al. (1987). Mereka menunjukkan persamaan bagaimana struktur

pemodelan dapat digunakan ketika data yang hilang missingat-acak

(MAR), sebuah asumsi yang lebih santai

dari hilang-benar-di-acak.

Pendekatan yang dianjurkan oleh Muthe? N et al. (1987)

dibandingkan dengan standar penghapusan listwise dan

pendekatan penghapusan berpasangan (yang mengasumsikan MCAR)

dalam studi simulasi ekstensif. Temuan umum

adalah bahwa pendekatan Muthe? n et al. adalah unggul

listwise dan penghapusan berpasangan pendekatan untuk penanganan

data yang hilang bahkan di bawah kondisi di mana itu tidak

tepat untuk mengabaikan mekanisme yang dihasilkan

data yang hilang.

Masalah utama yang terkait dengan Muthe? N et al.

Pendekatan adalah bahwa hal itu dibatasi untuk pemodelan bawah

jumlah yang relatif kecil data yang hilang yang berbeda

pola. nomor kecil untuk pola data yang hilang yang berbeda

akan menjadi langka dalam ilmu sosial dan perilaku

aplikasi. Namun, telah terbukti memungkinkan untuk menerapkan

pendekatan berbasis MAR (Little dan Rubin 1987) untuk

pemodelan data yang hilang dalam standar struktural

persamaan pemodelan perangkat lunak dengan cara yang meringankan

masalah dengan pendekatan Muthe? n et al. itu. Secara khusus,

pendekatan imputasi telah tersedia untuk

kemungkinan estimasi maksimum model struktural

parameter di bawah data yang tidak lengkap asumsi Maret

Studi simulasi telah menunjukkan efektivitas

metode ini dibandingkan dengan listwise

penghapusan dan penghapusan berpasangan di bawah MCAR dan

MERUSAK.

5.4 Kesalahan Spesifikasi

Pemodelan Persamaan Struktural  (Structural Equation Modeling) mengasumsikan bahwa model

benar ditentukan. Keterangan erroris didefinisikan sebagai

kelalaian variabel yang relevan dalam persamaan

sistem persamaan didefinisikan oleh persamaan struktural

model. Ini termasuk persamaan model pengukuran

serta persamaan model struktural. Seperti

masalah non-normalitas dan data yang hilang, yang

Pertanyaan yang menjadi perhatian adalah sejauh mana dihilangkan

variabel mempengaruhi kesimpulan.

Pertengahan 1980-an melihat perkembangan studi tentang

masalah kesalahan spesifikasi dalam persamaan struktural

model. Atas dasar kerja oleh Kaplan dan lain-lain

(Dirangkum dalam Kaplan 2000) temuan umum

bahwa kesalahan spesifikasi dalam bentuk dari dihilangkan

variabel dapat menghasilkan estimasi parameter substansial

Bias. Dalam konteks variabilitas sampling, spesifikasi

kesalahan telah ditemukan relatif kuat untuk

kesalahan spesifikasi kecil. Namun, tes gratis

parameter dalam model dipengaruhi sedemikian rupa sehingga

kesalahan spesifikasi dalam satu parameter dapat merambat ke

mempengaruhi daya dari tes di parameter lain dalam

model. Ukuran sampel juga berinteraksi dengan ukuran dan jenis

dari kesalahan spesifikasi.

6. modern De? Elopments yang merupakan

‘Generasi kedua’

Pemodelan Persamaan Struktural  (Structural Equation Modeling) adalah, bisa dibilang, salah satu

paling metodologi statistik populer yang tersedia untuk

ilmuwan sosial kuantitatif. Popularitas struktural

model persamaan telah menyebabkan penciptaan

jurnal ilmiah yang ditujukan khusus untuk struktur

pemodelan persamaan serta adanya

SEMNET, diskusi elektronik yang sangat populer dan aktif

daftar yang berfokus pada model persamaan struktural

dan isu-isu terkait. Selain itu, ada besar

sejumlah program perangkat lunak yang memungkinkan untuk canggih

dan pemodelan sangat fleksibel.

Selain ‘generasi pertama’ aplikasi

Pemodelan Persamaan Struktural  (Structural Equation Modeling), perkembangan lambat harus

memungkinkan pendekatan tradisional yang berbeda untuk statistik

pemodelan untuk ditetapkan sebagai kasus khusus dari struktur

pemodelan persamaan. kendala ruang membuat tidak mungkin

untuk menyorot semua perkembangan modern di

Pemodelan Persamaan Struktural  (Structural Equation Modeling). Namun, semakin banyak

perkembangan modern penting telah dihasilkan dari

menentukan model umum dengan cara yang memungkinkan

Pendekatan ‘pemodelan struktural’ dengan jenis lain

strategi analitik. Contoh terbaru dari ini

pembangunan adalah penggunaan Pemodelan Persamaan Struktural  (Structural Equation Modeling)

untuk memperkirakan data yang bertingkat serta menentukan

model persamaan struktural untuk memperkirakan parameter pertumbuhan

dari data longitudinal.

6.1 Multile? Modeling el Structural Equation

Upaya telah dilakukan untuk mengintegrasikan multilevel

pemodelan dengan model persamaan struktural sehingga dapat

menyediakan metodologi umum yang dapat menjelaskan

masalah kesalahan pengukuran dan simultanitas juga

sampling multistage.

Multilevel Pemodelan Persamaan Struktural  (Structural Equation Modeling) mengasumsikan

bahwa kadar dalam kelompok endogen dan

variabel eksogen bervariasi unit antara kelompok.

Selain itu, adalah mungkin untuk menentukan model yang

diasumsikan terus di tingkat antara kelompok dan yang

menjelaskan antara kelompok variasi dalam kelompok

variabel. Gambaran dan penerapan multilevel

Pemodelan Persamaan Struktural  (Structural Equation Modeling) dapat ditemukan di Kaplan

(2000).

15.220

Modeling Persamaan Struktural

6.2 Pertumbuhan Cur? E Modeling dari Struktural

Equation Modeling Perspecti? E

pemodelan kurva pertumbuhan telah menganjurkan untuk banyak

tahun oleh banyak peneliti untuk studi

perbedaan antar dalam perubahan. spesifikasi

pertumbuhan model dapat dilihat sebagai jatuh dalam

kelas model linear bertingkat (Bryk dan

Raudenbush 1992), di mana tingkat 1 merupakan Intraindividual

perbedaan status awal dan pertumbuhan dan

Tingkat 2 model individual status awal dan pertumbuhan

parameter sebagai fungsi dari perbedaan antar.

Penelitian juga telah menunjukkan bagaimana model kurva pertumbuhan

juga bisa dimasukkan ke dalam persamaan struktural

kerangka pemodelan memanfaatkan persamaan struktural yang ada

 

 

 

One thought on “Jasa Konsultan Statistik

Leave a Reply

Your email address will not be published. Required fields are marked *

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <strike> <strong>