Structural Equation Modelling (SEM)

Structural Equation Modelling (SEM) merupakan perkembangan dari general linear model (GLM) dengan regresi berganda sebagai bagiannya yang disebut juga sebagai perluasan dari analisis faktor.

Analisis SEM biasa terdiri dari dua sub model yaitu model pengukuran (measurement model) atau sering disebut outer model dan model struktural (sturctural model) atau sering disebut innear model.

Model pengukuran menunjukkan bagaimana variabel manifest (observed variabel/indikator) mempresentasi variabel laten untuk diukur. Sedangkan model struktural menunjukkan kekuatan estimasi antar variabel laten atau konstruk. SEM lebih mengutamakan pengujian confirmatory dibanding dengan pengujian explanatory sehingga lebih tepat digunakan untuk menguji teori dibanding dengan mengembangkan teori. SEM juga mampu untuk mengukur variabel yang tidak dapat diukur secara langsung, tetapi melalui indikator-indikatornya. Model yang akan diestimasi dalam SEM biasanya diasumsikan mempunyai hubungan kausalitas antara variabel laten dengan variabel observed sebagai indikator.

Variabel laten yang dibentuk dalam model persamaan struktural, indikatornya dapat berbentuk reflective merupakan indikator yang bersifat manifestasi terhadap konstruk dan sesuai dengan classical test theory yang mengasumsikan bahwa variance di dalam pengukuran score variabel laten merupakan fungsi dari true score ditambah error. Sedangkan indikator formative merupakan indikator yang bersifat mendefinisikan karakteristik atau menjelaskan konstruk.

Analsisi data menggunakan model persamaan struktural biasanya menggunakan matriks kovarians. Hal ini dikarenakan model penelitian menggunakan multi sampel (multiple group models) dan untuk mencegah terjadinya variance error. Dengan demikian, penggunaan matriks kovarians model penelitian yang kompleks sekalipun dapat diukur variansnya.

Matriks kovarians yang sering digunakan adalah Maximum Likelihood, adalah matriks kovarians di mana nilai estimasi parameter chi-square dan standar error tidak dapat dikoreksi dengan menggunakan matriks korelasi.