SEM CB
Pendahuluan
Jika kita menyelidiki suatau hubungan dengan beberapa variabel kita bisa meneumukan hubungan tersebut ada yang signifikan dan ada juga yang tidak signifikan. Kita bisa menyimpulkan yang signifikan tersebut dari nilai probabilitasnya. Maka ada suatau metode yang canggih dengan mencari pengaruh beberapa variabel yang banyak. Salah satu alternative untuk menyelidiki hubungan banyak variabel atau multivariable adalah SEM CB atau Structural Equation Model Covariance Based. Hal ini adalah suatau metode yang mencari hubungan dengan didasarkan oleh terori yang sudah ada maka dengan begitu harus ada teori yang sudah menudukungnya. Kalau demikian maka ia hanya untuk menmepatkan penelitian yang sudah ada untuk di lakukan pada subyek penelitian lain dalam hal ini sample yang berbeda. Tentu kita tidak mau untuk menggunakan data yang sudah diteliti dengan metode ini kembali. SEM CB : Metode analisis yang disuruh untuk menguji hubungan atau variabel dua variabel yang terukur dalam modal struktural. Dalam metode ini mempelakari hubungan yang kompleks dan simultan. Hubungan yang komplkes ini bisa diartikan rumit karena banyak sekali variabel yang menunjukkan hubungan yang tidak mudah untuk diuraikan. Sementara model struktural berarti adalah suatu model yang banyak dalam konstruk satu bangunan sistem.
Langkah SEM CB dengan Rstudio
Melakukan persiapan data dalam hal ini dataset yang ada di package lavaan kita panggil dulu (call) package baru kita dapatkan data Holzwinger1939
library(lavaan)This is lavaan 0.6-19
lavaan is FREE software! Please report any bugs.head (HolzingerSwineford1939) id sex ageyr agemo school grade x1 x2 x3 x4 x5 x6
1 1 1 13 1 Pasteur 7 3.333333 7.75 0.375 2.333333 5.75 1.2857143
2 2 2 13 7 Pasteur 7 5.333333 5.25 2.125 1.666667 3.00 1.2857143
3 3 2 13 1 Pasteur 7 4.500000 5.25 1.875 1.000000 1.75 0.4285714
4 4 1 13 2 Pasteur 7 5.333333 7.75 3.000 2.666667 4.50 2.4285714
5 5 2 12 2 Pasteur 7 4.833333 4.75 0.875 2.666667 4.00 2.5714286
6 6 2 14 1 Pasteur 7 5.333333 5.00 2.250 1.000000 3.00 0.8571429
x7 x8 x9
1 3.391304 5.75 6.361111
2 3.782609 6.25 7.916667
3 3.260870 3.90 4.416667
4 3.000000 5.30 4.861111
5 3.695652 6.30 5.916667
6 4.347826 6.65 7.500000#membuat model
modelhol <- ' visual =~ x1 + x2 + x3
textual =~ x4 + x5 + x6
speed =~ x7 + x8 + x9 'Kita membuat model dalam tiag kelompok yakni visual yang teridir dari x1,x2, dan x3 , textual yang terdiri dari x4,x5 dan x 6 sedangkan speed adalah x7, x8 dan x9.
Setelah kita mau mmebuat model maka kita bisa menampilkan bagiaman kita menyelidiki persamaan struktural tersebut
#Membuat model dari cfa data Holziwinger
fit39 <- cfa(modelhol, data = HolzingerSwineford1939)
#Melihat hasil dari model
summary(fit39, fit.measures = TRUE, standardized = TRUE, rsquare = TRUE)lavaan 0.6-19 ended normally after 35 iterations
Estimator ML
Optimization method NLMINB
Number of model parameters 21
Number of observations 301
Model Test User Model:
Test statistic 85.306
Degrees of freedom 24
P-value (Chi-square) 0.000
Model Test Baseline Model:
Test statistic 918.852
Degrees of freedom 36
P-value 0.000
User Model versus Baseline Model:
Comparative Fit Index (CFI) 0.931
Tucker-Lewis Index (TLI) 0.896
Loglikelihood and Information Criteria:
Loglikelihood user model (H0) -3737.745
Loglikelihood unrestricted model (H1) -3695.092
Akaike (AIC) 7517.490
Bayesian (BIC) 7595.339
Sample-size adjusted Bayesian (SABIC) 7528.739
Root Mean Square Error of Approximation:
RMSEA 0.092
90 Percent confidence interval - lower 0.071
90 Percent confidence interval - upper 0.114
P-value H_0: RMSEA <= 0.050 0.001
P-value H_0: RMSEA >= 0.080 0.840
Standardized Root Mean Square Residual:
SRMR 0.065
Parameter Estimates:
Standard errors Standard
Information Expected
Information saturated (h1) model Structured
Latent Variables:
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
visual =~
x1 1.000 0.900 0.772
x2 0.554 0.100 5.554 0.000 0.498 0.424
x3 0.729 0.109 6.685 0.000 0.656 0.581
textual =~
x4 1.000 0.990 0.852
x5 1.113 0.065 17.014 0.000 1.102 0.855
x6 0.926 0.055 16.703 0.000 0.917 0.838
speed =~
x7 1.000 0.619 0.570
x8 1.180 0.165 7.152 0.000 0.731 0.723
x9 1.082 0.151 7.155 0.000 0.670 0.665
Covariances:
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
visual ~~
textual 0.408 0.074 5.552 0.000 0.459 0.459
speed 0.262 0.056 4.660 0.000 0.471 0.471
textual ~~
speed 0.173 0.049 3.518 0.000 0.283 0.283
Variances:
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
.x1 0.549 0.114 4.833 0.000 0.549 0.404
.x2 1.134 0.102 11.146 0.000 1.134 0.821
.x3 0.844 0.091 9.317 0.000 0.844 0.662
.x4 0.371 0.048 7.779 0.000 0.371 0.275
.x5 0.446 0.058 7.642 0.000 0.446 0.269
.x6 0.356 0.043 8.277 0.000 0.356 0.298
.x7 0.799 0.081 9.823 0.000 0.799 0.676
.x8 0.488 0.074 6.573 0.000 0.488 0.477
.x9 0.566 0.071 8.003 0.000 0.566 0.558
visual 0.809 0.145 5.564 0.000 1.000 1.000
textual 0.979 0.112 8.737 0.000 1.000 1.000
speed 0.384 0.086 4.451 0.000 1.000 1.000
R-Square:
Estimate
x1 0.596
x2 0.179
x3 0.338
x4 0.725
x5 0.731
x6 0.702
x7 0.324
x8 0.523
x9 0.442Kita bisa melihat dari summary tersebut beberapa hasil seperti nilai r kuadrat atau nilai R Squarenya. Semakin besar R Squarenya maka itu menunjukkan nilai baik. kemudian kita mencari nilai RSMEA yang menunjukkan tidak baik nilainya jika lebih besar sepeti 0,1 saja sudah menunjukkan tidak baik.
Kemudian kita akan bisa menampilkan beberapa parameter estimasi dan modified indices. Kita melihat nilai Chi Square yang sekitar 85,306 menunjukkan nilai p value adalah 0,00 artinya nilanya signifikan. UNtuk MOdel TEst baseline menunjukkan nilai 918,852 dan menunjukkan p value yakni sekitar 0,00 atau nilainya signifikan. Dalam model summary kita melihat nilai CFI 0,931 sedangan TLI 0,896. dengan nilai yang kampir mendekati satu ini maka hampir sempurna atau bagus,
summary(fit39, fit.measures = TRUE, standardized = TRUE, rsquare = TRUE)lavaan 0.6-19 ended normally after 35 iterations
Estimator ML
Optimization method NLMINB
Number of model parameters 21
Number of observations 301
Model Test User Model:
Test statistic 85.306
Degrees of freedom 24
P-value (Chi-square) 0.000
Model Test Baseline Model:
Test statistic 918.852
Degrees of freedom 36
P-value 0.000
User Model versus Baseline Model:
Comparative Fit Index (CFI) 0.931
Tucker-Lewis Index (TLI) 0.896
Loglikelihood and Information Criteria:
Loglikelihood user model (H0) -3737.745
Loglikelihood unrestricted model (H1) -3695.092
Akaike (AIC) 7517.490
Bayesian (BIC) 7595.339
Sample-size adjusted Bayesian (SABIC) 7528.739
Root Mean Square Error of Approximation:
RMSEA 0.092
90 Percent confidence interval - lower 0.071
90 Percent confidence interval - upper 0.114
P-value H_0: RMSEA <= 0.050 0.001
P-value H_0: RMSEA >= 0.080 0.840
Standardized Root Mean Square Residual:
SRMR 0.065
Parameter Estimates:
Standard errors Standard
Information Expected
Information saturated (h1) model Structured
Latent Variables:
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
visual =~
x1 1.000 0.900 0.772
x2 0.554 0.100 5.554 0.000 0.498 0.424
x3 0.729 0.109 6.685 0.000 0.656 0.581
textual =~
x4 1.000 0.990 0.852
x5 1.113 0.065 17.014 0.000 1.102 0.855
x6 0.926 0.055 16.703 0.000 0.917 0.838
speed =~
x7 1.000 0.619 0.570
x8 1.180 0.165 7.152 0.000 0.731 0.723
x9 1.082 0.151 7.155 0.000 0.670 0.665
Covariances:
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
visual ~~
textual 0.408 0.074 5.552 0.000 0.459 0.459
speed 0.262 0.056 4.660 0.000 0.471 0.471
textual ~~
speed 0.173 0.049 3.518 0.000 0.283 0.283
Variances:
Estimate Std.Err z-value P(>|z|) Std.lv Std.all
.x1 0.549 0.114 4.833 0.000 0.549 0.404
.x2 1.134 0.102 11.146 0.000 1.134 0.821
.x3 0.844 0.091 9.317 0.000 0.844 0.662
.x4 0.371 0.048 7.779 0.000 0.371 0.275
.x5 0.446 0.058 7.642 0.000 0.446 0.269
.x6 0.356 0.043 8.277 0.000 0.356 0.298
.x7 0.799 0.081 9.823 0.000 0.799 0.676
.x8 0.488 0.074 6.573 0.000 0.488 0.477
.x9 0.566 0.071 8.003 0.000 0.566 0.558
visual 0.809 0.145 5.564 0.000 1.000 1.000
textual 0.979 0.112 8.737 0.000 1.000 1.000
speed 0.384 0.086 4.451 0.000 1.000 1.000
R-Square:
Estimate
x1 0.596
x2 0.179
x3 0.338
x4 0.725
x5 0.731
x6 0.702
x7 0.324
x8 0.523
x9 0.442parameterEstimates(fit39, standardized = TRUE) lhs op rhs est se z pvalue ci.lower ci.upper std.lv
1 visual =~ x1 1.000 0.000 NA NA 1.000 1.000 0.900
2 visual =~ x2 0.554 0.100 5.554 0 0.358 0.749 0.498
3 visual =~ x3 0.729 0.109 6.685 0 0.516 0.943 0.656
4 textual =~ x4 1.000 0.000 NA NA 1.000 1.000 0.990
5 textual =~ x5 1.113 0.065 17.014 0 0.985 1.241 1.102
6 textual =~ x6 0.926 0.055 16.703 0 0.817 1.035 0.917
7 speed =~ x7 1.000 0.000 NA NA 1.000 1.000 0.619
8 speed =~ x8 1.180 0.165 7.152 0 0.857 1.503 0.731
9 speed =~ x9 1.082 0.151 7.155 0 0.785 1.378 0.670
10 x1 ~~ x1 0.549 0.114 4.833 0 0.326 0.772 0.549
11 x2 ~~ x2 1.134 0.102 11.146 0 0.934 1.333 1.134
12 x3 ~~ x3 0.844 0.091 9.317 0 0.667 1.022 0.844
13 x4 ~~ x4 0.371 0.048 7.779 0 0.278 0.465 0.371
14 x5 ~~ x5 0.446 0.058 7.642 0 0.332 0.561 0.446
15 x6 ~~ x6 0.356 0.043 8.277 0 0.272 0.441 0.356
16 x7 ~~ x7 0.799 0.081 9.823 0 0.640 0.959 0.799
17 x8 ~~ x8 0.488 0.074 6.573 0 0.342 0.633 0.488
18 x9 ~~ x9 0.566 0.071 8.003 0 0.427 0.705 0.566
19 visual ~~ visual 0.809 0.145 5.564 0 0.524 1.094 1.000
20 textual ~~ textual 0.979 0.112 8.737 0 0.760 1.199 1.000
21 speed ~~ speed 0.384 0.086 4.451 0 0.215 0.553 1.000
22 visual ~~ textual 0.408 0.074 5.552 0 0.264 0.552 0.459
23 visual ~~ speed 0.262 0.056 4.660 0 0.152 0.373 0.471
24 textual ~~ speed 0.173 0.049 3.518 0 0.077 0.270 0.283
std.all
1 0.772
2 0.424
3 0.581
4 0.852
5 0.855
6 0.838
7 0.570
8 0.723
9 0.665
10 0.404
11 0.821
12 0.662
13 0.275
14 0.269
15 0.298
16 0.676
17 0.477
18 0.558
19 1.000
20 1.000
21 1.000
22 0.459
23 0.471
24 0.283inspect(fit39, what = "std") # menampilkan standardized loading, varians, dsb$lambda
visual textul speed
x1 0.772 0.000 0.000
x2 0.424 0.000 0.000
x3 0.581 0.000 0.000
x4 0.000 0.852 0.000
x5 0.000 0.855 0.000
x6 0.000 0.838 0.000
x7 0.000 0.000 0.570
x8 0.000 0.000 0.723
x9 0.000 0.000 0.665
$theta
x1 x2 x3 x4 x5 x6 x7 x8 x9
x1 0.404
x2 0.000 0.821
x3 0.000 0.000 0.662
x4 0.000 0.000 0.000 0.275
x5 0.000 0.000 0.000 0.000 0.269
x6 0.000 0.000 0.000 0.000 0.000 0.298
x7 0.000 0.000 0.000 0.000 0.000 0.000 0.676
x8 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.477
x9 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.558
$psi
visual textul speed
visual 1.000
textual 0.459 1.000
speed 0.471 0.283 1.000modindices(fit39, sort = TRUE, minimum.value = 10) lhs op rhs mi epc sepc.lv sepc.all sepc.nox
30 visual =~ x9 36.411 0.577 0.519 0.515 0.515
76 x7 ~~ x8 34.145 0.536 0.536 0.859 0.859
28 visual =~ x7 18.631 -0.422 -0.380 -0.349 -0.349
78 x8 ~~ x9 14.946 -0.423 -0.423 -0.805 -0.805Setelah itu kita bisa melihat dari grafik tampilan namun kita harus call dulu package semPLot.
Dari hasil grafik ini ketika kita menunjukan hubungan beberapa variabel itu. Dalam variabel estimates kita melihat kalau memang menunjukkan nilai signifikan. memang ada nilai NA atau nilai p juga menunjukkan NA. Hal ini menunjukkan tidak masalah sebab yang akan kita lihat adalah variabel yang dibawahnya. pada bagian variabel yang NA karena ia menjadi acuan atau standarnya.
library(semPlot)
semPaths(fit39,
what = "std", # tampilkan loading terstandar
edge.label.cex = 0.8,# ukuran teks angka di garis
layout = "tree", # layout visual model
sizeMan = 6, # ukuran indikator (kotak)
sizeLat = 8, # ukuran konstruk (oval)
nCharNodes = 0, # jangan potong nama variabel
residuals = FALSE) # sembunyikan residual
PAda grafik kita diperlihatkan ada faktor laten dalam hal ini Visual, textual dan juga Speed. semuanya adayau ketiganya mempunyai hubunganwalaupun memang cukup kecil yakni tidak ada yang lebih dari 0,5. nilai hubungan yang tertinggi adalah visual dengan speed yang nilainya 0,47 kemudian visual dengan text hanya selisih sedikit sekali dari hubungan yang tertinggi yakni 0,46 sedangnkan hubungan text dengan speed kecil sekali yakni 0,28. Pada bagian visual hubungan yang terbesar adalah dengan x1 sekitar 0,77 sedangkan pada tekstual hampir hubungan dengan variabel kosntruknya adalah besar baik X4 dengan nilai 0,85, sedangkan X5 0,86 dan X6 yakni 0,84 sedangkan hubungan yang terendah antara variabel laten dengan kosntruknya adalah speed yang hanya 0,72 dengan variabel x8.
Tidak ada komentar:
Posting Komentar