Pemodelan Persamaan Struktural: Semua yang Perlu Anda Ketahui

Structural Equation Modeling (SEM) merupakan akumulasi dari metode-metode yang terkait dan bukan merupakan teknik tunggal. Metodenya fleksibel, dan kerangka kerjanya adalah untuk analisis data.

Peneliti lebih memilih metode ini karena memungkinkan mereka untuk memperkirakan ketergantungan ganda dan saling terkait dalam satu analisis. Pemodelan persamaan struktural menggunakan dua jenis variabel, yaitu variabel endogen dan variabel eksogen.

Sudah sangat dikenal bahwa "dengan kekuasaan datang tanggung jawab," sehingga pemodelan persamaan struktural yang kuat harus digunakan secara bijaksana. Pemodelan persamaan struktural rumit, tetapi pada saat yang sama, sangat mudah bagi kita untuk menghadapi situasi canggung dengan perangkat lunak yang cepat dan ramah pengguna.

Apa Kebutuhan Utama untuk menggunakan Pemodelan Persamaan Struktural?

Dalam setiap organisasi, pemasaran sangat penting. Dan untuk menjadi sukses dalam pemasaran, seseorang harus tahu tentang konsumen. Mereka harus mengetahui sikap, pendapat, dan sifat kepribadian mereka. Tetapi karakteristik ini bersifat laten dan tidak dapat diukur dengan mudah karena seringkali bersifat abstrak.

Saat ini untuk mengukurnya, kita bisa melakukan survei, membuat model observasi, dan lain sebagainya. Tetapi proses ini tidak banyak membuahkan hasil karena pengukuran dan pengamatan memiliki kelemahan kesalahan. Pemodelan persamaan struktural unggul di kedua tugas.

Pemodelan persamaan struktural menggunakan analisis faktor dan analisis regresi berganda. Jika kami menggunakan kedua metode analitik ini satu per satu, kami kehilangan fleksibilitas. Jadi, SEM memberi kita fleksibilitas. Cocok untuk analisis kausal, multikolinearitas, yaitu mengkorelasikan variabel bebas.

Baca: Jenis Model Atribusi

Model pengukuran adalah analisis faktor analog dalam pemodelan persamaan struktural. Model struktur merupakan simpul yang mengikat komponen dan elemen dari model pengukuran. Model struktur menghubungkan komponen dan elemen secara bersama-sama atau dengan variabel bebas lainnya. Dalam beberapa kasus, variabel digabungkan atas dasar empiris.

Tindakan menggabungkan terjadi sebelum analisis faktor, dan model pengukuran tidak memiliki peran. Dalam kasus lain, ketika kita hanya memperhatikan variabel mentah, variabel yang diamati digunakan. Dan terakhir ketika tidak ada model pengukuran, maka model struktur mengikuti analisis jalur.

Pemodelan persamaan struktural digunakan untuk menganalisis data survei. Tidak terikat pada satu sumber data dan dapat digunakan dengan data transaksi nasabah, ekonomi, media sosial, data transaksi nasabah. Baru-baru ini digunakan dalam ilmu saraf untuk data fMRI. Dalam bentuknya yang modern, dapat digunakan dengan tipe data apa pun – model menggunakan tipe data seperti rasio, interval, ordinal, nominal, dan hitungan. Mereka membantu untuk memodelkan hubungan lengkung antar variabel.

Pemodelan persamaan struktural dapat bekerja tanpa data yang lengkap, tetapi itu tidak boleh menggoda kita untuk tidak memasukkan setiap data ke model. Model ini banyak digunakan untuk pemodelan longitudinal, campuran, dan hierarkis. Ini dapat digunakan dalam Segmentasi. Model mengakomodasi beberapa variabel dependen seperti Analisis Conjoint. Pemodelan persamaan struktural digunakan untuk memperbaiki masalah gaya respons dalam survei konsumen.

Kapan Menggunakan Pemodelan Persamaan Struktural

Mungkin ada kasus bisnis yang mengharuskan Anda untuk fokus pada persepsi konsumen seperti minat beli, kesukaan, pada produk Anda. Meskipun ini adalah tugas pemodelan yang kompleks, pemodelan persamaan struktural cocok untuk tujuan ini. Pemodelan persamaan struktural digunakan untuk pekerjaan yang lebih sederhana, seperti untuk survei konsumen.

Structural Equation Mixture Modeling (SEMM) adalah jenis metode lain untuk menargetkan segmen konsumen yang tersembunyi dengan jumlah data yang sangat banyak.

Seseorang tidak boleh berasumsi bahwa satu jenis model cocok untuk semua jenis analisis. Pemodelan campuran terkadang hanya berhasil jika upaya dilakukan dengan kompeten. Terkadang satu model keseluruhan berfungsi dengan baik.

Apakah Pemodelan Persamaan Struktural Baik, Buruk, atau Jelek?

Ketika Anda bekerja di lingkungan di mana desain noneksperimental umum seperti psikologi industri atau organisasi, pemodelan persamaan struktural diperlukan. Pemodelan persamaan struktural banyak digunakan dan sedang digunakan oleh pengulas untuk analisis data. Para pengulas sering tidak mengerti tentang bagaimana melangkah lebih jauh.

Keuntungan utama dari pemodelan persamaan struktural adalah memungkinkan pengujian proposisi teoretis. Pemodelan persamaan struktural memungkinkan Anda untuk mengevaluasi prediksi kuantitatif.

Persamaan Antara Metode Statistik Tradisional dan SEM

• Pemodelan persamaan struktural mengikuti metode tradisional yang sama seperti regresi, korelasi, dan varians dalam berbagai cara.
• Baik pemodelan persamaan struktural dan metode tradisional memiliki konsep yang sama dengan model statistik linier.
• Dengan asumsi tertentu, uji statistik adalah valid. Pemodelan persamaan struktural mengasumsikan normalitas multivariat dan metode tradisional mengasumsikan distribusi normal.
• Baik pemodelan persamaan tradisional maupun struktural tidak menawarkan uji kausalitas.

Perbedaan Antara Metode Tradisional dan SEM

Metode tradisional bervariasi dari pemodelan persamaan struktural di bidang berikut:

• Pemodelan persamaan struktural bersifat komprehensif dan fleksibel. Pemodelan persamaan struktural cocok untuk self-efficacy, depresi, tren kesehatan, tren ekonomi, dinamika keluarga, dan fenomena lainnya.
• Pemodelan persamaan struktural membutuhkan spesifikasi formal untuk estimasi dan pengujian, sedangkan metode tradisional mengikuti metode default. Pemodelan persamaan struktural tidak menawarkan model default dan memiliki sedikit batasan dalam menentukan jenis relasi. Pemodelan persamaan struktural membutuhkan peneliti untuk mendukung hipotesis dengan teori.
• Pemodelan persamaan struktural adalah teknik multivariat, yang menggabungkan variabel yang diamati dan tidak diamati sementara metode tradisional hanya menganalisis variabel yang diukur. Pemodelan persamaan struktural memecahkan beberapa persamaan terkait secara bersamaan. Ini menentukan estimasi parameter dengan pemodelan persamaan struktural.
• Pemodelan persamaan struktural memungkinkan analis untuk menemukan ketidaksempurnaan dalam ukuran mereka. Pemodelan persamaan struktural menemukan kesalahan sementara metode tradisional menganggap tidak ada kesalahan pengukuran.
• Pemodelan persamaan struktural tidak memiliki tes langsung untuk menentukan model mana yang terbaik tetapi analisis metode tradisional dan memberikan tes langsung untuk menemukan hubungan antar variabel.
• Pemodelan persamaan struktural menggunakan modelnya untuk menguji beberapa tes seperti Bentler-Bonett Non-Normed Fit Index (NNFI), chi-square, Comparative Fit Index (CFI), Root Mean Squared Error of Approximation (RMSEA)).
• Pemodelan persamaan struktural memecahkan masalah multikolinearitas. Pemodelan persamaan struktural menggunakan beberapa ukuran untuk menggambarkan variabel yang tidak teramati. Multikolinearitas tidak terjadi karena variabel yang tidak teramati merupakan konstruksi laten yang berbeda.
• Pemodelan persamaan struktural menggunakan bahasa grafis untuk menyajikan hubungan yang kompleks dengan cara yang kuat. Spesifikasi pemodelan persamaan struktural didasarkan pada sekumpulan variabel. Representasi grafis atau gambar dari model berubah menjadi satu set persamaan. Himpunan persamaan membantu untuk memecahkan beberapa tes dan parameter estimasi.

Baca Juga: Model Regresi dalam Machine Learning

Penggunaan Pemodelan Persamaan Struktural Dipengaruhi Oleh

• Hipotesis yang sedang diuji dan diteliti.
• Ukuran sampel persyaratan: Rata-rata, rasio harus 20:1 untuk jumlah subjek dengan jumlah parameter model. Tapi kebanyakan 10:1 lebih akurat. Ketika rasionya kurang dari 5:1, perkiraannya tidak stabil.
• Instrumen pengukuran.
• Normalitas multivariat.
• Identifikasi parameter.
• Mengatasi outlier.
• Data hilang.
• Interpretasi indeks model fit.

Proses Pemodelan Persamaan Struktural

Analisis pemodelan persamaan struktural dilakukan melalui metode berikut:

• meneliti teori yang relevan
• meninjau literatur untuk mendukung spesifikasi model
• menentukan model seperti diagram dan persamaan
• menentukan jumlah derajat kebebasan dan identifikasi model untuk memperkirakan parameter untuk menemukan nilai unik
• memilih metode pengukuran untuk variabel yang diwakili dalam model
• mengumpulkan data
• melakukan analisis statistik deskriptif awal seperti data yang hilang, penskalaan, dan masalah kolinearitas
• memperkirakan parameter model
• perkiraan model fit
• tentukan mode yang berarti
• menginterpretasikan hasil
• hasil sekarang

Perangkat Lunak Khusus Pemodelan Persamaan Struktural

• LISREL adalah perangkat lunak model persamaan struktural yang sesuai pada tahun 1970-an.
• Paket OpenMx R adalah sumber terbuka R yang menyediakan sumber terbuka dan versi terbaru dari aplikasi Mx.

Tujuan dari pemodelan persamaan struktural adalah untuk memahami pola-pola yang berkorelasi di antara sekumpulan variabel dan menjelaskan varians sebanyak mungkin.

Penggunaan Lanjutan Pemodelan Persamaan Struktural

• Pengukuran invarian
• Ini adalah teknik yang memungkinkan estimasi bersama dari beberapa model, masing-masing dengan sub-kelompok yang berbeda. Aplikasi yang mencakup analisis perbedaan antar kelompok seperti budaya, jenis kelamin, dan lain sebagainya serta genetika perilaku.
• Pemodelan pertumbuhan laten
• Model hierarki/multilevel
• Model campuran (kelas laten) Pemodelan Persamaan Struktural
• Estimasi alternatif dan teknik pengujian.
• Inferensi yang kuat
• Analisis pengambilan sampel survei
• Multi-metode
• Model multi-sifat
• Pohon Model Persamaan Struktural

Pikiran Akhir

Ada banyak model yang mengklaim menyediakan teknik pemodelan serupa ketika menganalisis data, tetapi mereka mengikuti tindakan yang sangat berbeda untuk pengambilan keputusan. Kita perlu memastikan bahwa kita tidak memilih model yang overfits, yang merupakan kesalahan yang dilakukan dengan Structural Equation Modelling. Ada elemen manusia ketika kita memilih teknik pemodelan statistik, dan itu dapat dipertimbangkan.

Area utama Riset Pemasaran terletak antara riset kualitatif dan riset kuantitatif yang keras, dan pemodelan persamaan struktural tidak cocok untuk berurusan di ruang abu-abu ini.

upGrad adalah portal online untuk pendidikan tinggi yang menyediakan program yang relevan dengan industri yang dirancang dan disampaikan. Jika Anda memiliki hasrat dan ingin belajar tentang Kecerdasan Buatan, Anda dapat mengikuti PG Diploma IIIT-B & upGrad dalam Pembelajaran Mesin dan AI yang menawarkan 400+ jam pembelajaran, sesi praktik, bantuan pekerjaan, dan banyak lagi.

Pelajari Kursus ML dari Universitas top Dunia. Dapatkan Master, PGP Eksekutif, atau Program Sertifikat Tingkat Lanjut untuk mempercepat karier Anda.

FAQ

• Berapa ukuran sampel terbaik?

Sesuai survei dan pengamatan, kita harus memiliki minimal 200 kasus dan setidaknya 20 kasus per variabel. Misalnya, kita harus memiliki 500 responden jika ada 50 peringkat atribut dalam model.

• Apa itu BigData?

Pemodelan persamaan struktural secara perlahan bermigrasi ke Pendidikan, Psikologi, dan Sosiologi. Ilmuwan Data semakin mengenal pemodelan persamaan struktural. Dengan teknologi yang berubah dengan cepat saat ini, model ini sekarang bekerja dengan baik pada sampel yang cukup besar dengan banyak variabel. Oleh karena itu "besar" itu relatif! Dalam beberapa kasus, kita dapat menggunakan alat pembelajaran mesin standar seperti LogitBoost untuk prediksi.

• Asumsi statistik apa yang diperlukan?

Ini tergantung pada jenis pemodelan persamaan struktural. Pemodelan persamaan struktural, seperti kebanyakan prosedur statistik, oleh karena itu mereka kuat untuk pelanggaran asumsi dan kesalahan.

• Apakah pemodelan persamaan struktural menguji hipotesis?

Ini adalah kesalahpahaman tentang statistik. Data dan analisisnya tidak terjadi begitu saja dan didasarkan pada pengamatan. Karena sifat manusia, kita mengamati sesuatu dan mereka cenderung menebak bagaimana hal itu terjadi; ini adalah analisis eksplorasi yang memiliki risiko tinggi sendiri.

• Model mana yang terbaik?

Ada beberapa indeks untuk mengukur ini, seperti Comparative Fit Index (CFI) dan Root Mean Square Error of Approximation (RMSEA) adalah beberapa yang paling umum. Yang paling terkenal adalah R kuadrat. Anda harus memutuskan model mana yang terbaik berdasarkan akal sehat dan kemampuan pengambilan keputusan.