class: inverse, middle, title-slide, spaced class: title-slide, spaced <img src="libs/unair.png" style="width:15%;" class="fancyimage"/> <img src="libs/STUA.png" style="width:23%;" class="fancyimage"/> <img src="libs/ina-logo.jpg" style="width:7%;" class="fancyimage"/> <img src="libs/igdore.png" style="width:23%;" class="fancyimage"/> # Multigroup Structural Equation Modeling (SEM) ## Menggunakan `JASP`: Bagian 1 - Pengantar <br> ### <b>Rizqy Amelia Zein</b> * Dosen, [Fakultas Psikologi, Universitas Airlangga](https://psikologi.unair.ac.id) * Anggota, [#SainsTerbuka Airlangga](https://sainsterbukaua.github.io/) <svg style="height:0.8em;top:.04em;position:relative;" viewBox="0 0 512 512"><path d="M256 48c114.953 0 208 93.029 208 208 0 114.953-93.029 208-208 208-114.953 0-208-93.029-208-208 0-114.953 93.029-208 208-208m0-40C119.033 8 8 119.033 8 256s111.033 248 248 248 248-111.033 248-248S392.967 8 256 8zm0 56C149.961 64 64 149.961 64 256s85.961 192 192 192 192-85.961 192-192S362.039 64 256 64zm0 44c19.882 0 36 16.118 36 36s-16.118 36-36 36-36-16.118-36-36 16.118-36 36-36zm117.741 98.023c-28.712 6.779-55.511 12.748-82.14 15.807.851 101.023 12.306 123.052 25.037 155.621 3.617 9.26-.957 19.698-10.217 23.315-9.261 3.617-19.699-.957-23.316-10.217-8.705-22.308-17.086-40.636-22.261-78.549h-9.686c-5.167 37.851-13.534 56.208-22.262 78.549-3.615 9.255-14.05 13.836-23.315 10.217-9.26-3.617-13.834-14.056-10.217-23.315 12.713-32.541 24.185-54.541 25.037-155.621-26.629-3.058-53.428-9.027-82.141-15.807-8.6-2.031-13.926-10.648-11.895-19.249s10.647-13.926 19.249-11.895c96.686 22.829 124.283 22.783 220.775 0 8.599-2.03 17.218 3.294 19.249 11.895 2.029 8.601-3.297 17.219-11.897 19.249z"/></svg> * Relawan, [INA-Rxiv](https://inarxiv.id) * Researcher-in-training, [Institute for Globally Distributed Open Research and Education (IGDORE)](https://igdore.org/) --- class: center, middle # Menghubungi saya? <svg style="height:0.8em;top:.04em;position:relative;" viewBox="0 0 512 512"><path d="M476 3.2L12.5 270.6c-18.1 10.4-15.8 35.6 2.2 43.2L121 358.4l287.3-253.2c5.5-4.9 13.3 2.6 8.6 8.3L176 407v80.5c0 23.6 28.5 32.9 42.5 15.8L282 426l124.6 52.2c14.2 6 30.4-2.9 33-18.2l72-432C515 7.8 493.3-6.8 476 3.2z"/></svg> <a href="mailto:amelia.zein@psikologi.unair.ac.id"></i> amelia.zein@psikologi.unair.ac.id</a> <svg style="height:0.8em;top:.04em;position:relative;" viewBox="0 0 512 512"><path d="M459.37 151.716c.325 4.548.325 9.097.325 13.645 0 138.72-105.583 298.558-298.558 298.558-59.452 0-114.68-17.219-161.137-47.106 8.447.974 16.568 1.299 25.34 1.299 49.055 0 94.213-16.568 130.274-44.832-46.132-.975-84.792-31.188-98.112-72.772 6.498.974 12.995 1.624 19.818 1.624 9.421 0 18.843-1.3 27.614-3.573-48.081-9.747-84.143-51.98-84.143-102.985v-1.299c13.969 7.797 30.214 12.67 47.431 13.319-28.264-18.843-46.781-51.005-46.781-87.391 0-19.492 5.197-37.36 14.294-52.954 51.655 63.675 129.3 105.258 216.365 109.807-1.624-7.797-2.599-15.918-2.599-24.04 0-57.828 46.782-104.934 104.934-104.934 30.213 0 57.502 12.67 76.67 33.137 23.715-4.548 46.456-13.32 66.599-25.34-7.798 24.366-24.366 44.833-46.132 57.827 21.117-2.273 41.584-8.122 60.426-16.243-14.292 20.791-32.161 39.308-52.628 54.253z"/></svg> [@ameliazein](https://twitter.com/ameliazein) <svg style="height:0.8em;top:.04em;position:relative;" viewBox="0 0 496 512"><path d="M165.9 397.4c0 2-2.3 3.6-5.2 3.6-3.3.3-5.6-1.3-5.6-3.6 0-2 2.3-3.6 5.2-3.6 3-.3 5.6 1.3 5.6 3.6zm-31.1-4.5c-.7 2 1.3 4.3 4.3 4.9 2.6 1 5.6 0 6.2-2s-1.3-4.3-4.3-5.2c-2.6-.7-5.5.3-6.2 2.3zm44.2-1.7c-2.9.7-4.9 2.6-4.6 4.9.3 2 2.9 3.3 5.9 2.6 2.9-.7 4.9-2.6 4.6-4.6-.3-1.9-3-3.2-5.9-2.9zM244.8 8C106.1 8 0 113.3 0 252c0 110.9 69.8 205.8 169.5 239.2 12.8 2.3 17.3-5.6 17.3-12.1 0-6.2-.3-40.4-.3-61.4 0 0-70 15-84.7-29.8 0 0-11.4-29.1-27.8-36.6 0 0-22.9-15.7 1.6-15.4 0 0 24.9 2 38.6 25.8 21.9 38.6 58.6 27.5 72.9 20.9 2.3-16 8.8-27.1 16-33.7-55.9-6.2-112.3-14.3-112.3-110.5 0-27.5 7.6-41.3 23.6-58.9-2.6-6.5-11.1-33.3 2.6-67.9 20.9-6.5 69 27 69 27 20-5.6 41.5-8.5 62.8-8.5s42.8 2.9 62.8 8.5c0 0 48.1-33.6 69-27 13.7 34.7 5.2 61.4 2.6 67.9 16 17.7 25.8 31.5 25.8 58.9 0 96.5-58.9 104.2-114.8 110.5 9.2 7.9 17 22.9 17 46.4 0 33.7-.3 75.4-.3 83.6 0 6.5 4.6 14.4 17.3 12.1C428.2 457.8 496 362.9 496 252 496 113.3 383.5 8 244.8 8zM97.2 352.9c-1.3 1-1 3.3.7 5.2 1.6 1.6 3.9 2.3 5.2 1 1.3-1 1-3.3-.7-5.2-1.6-1.6-3.9-2.3-5.2-1zm-10.8-8.1c-.7 1.3.3 2.9 2.3 3.9 1.6 1 3.6.7 4.3-.7.7-1.3-.3-2.9-2.3-3.9-2-.6-3.6-.3-4.3.7zm32.4 35.6c-1.6 1.3-1 4.3 1.3 6.2 2.3 2.3 5.2 2.6 6.5 1 1.3-1.3.7-4.3-1.3-6.2-2.2-2.3-5.2-2.6-6.5-1zm-11.4-14.7c-1.6 1-1.6 3.6 0 5.9 1.6 2.3 4.3 3.3 5.6 2.3 1.6-1.3 1.6-3.9 0-6.2-1.4-2.3-4-3.3-5.6-2z"/></svg> [@rameliaz](https://github.com/rameliaz) <svg style="height:0.8em;top:.04em;position:relative;" viewBox="0 0 576 512"><path d="M528 0H48C21.5 0 0 21.5 0 48v320c0 26.5 21.5 48 48 48h192l-16 48h-72c-13.3 0-24 10.7-24 24s10.7 24 24 24h272c13.3 0 24-10.7 24-24s-10.7-24-24-24h-72l-16-48h192c26.5 0 48-21.5 48-48V48c0-26.5-21.5-48-48-48zm-16 352H64V64h448v288z"/></svg> https://rameliaz.github.io Materi dalam paparan ini berlisensi <svg style="height:0.8em;top:.04em;position:relative;" viewBox="0 0 496 512"><path d="M254.8 214.8l-33.2 17.3c-9.4-19.6-25.2-19.9-27.5-19.9-22.1 0-33.2 14.6-33.2 43.8 0 23.6 9.2 43.8 33.2 43.8 14.5 0 24.7-7.1 30.6-21.3l30.6 15.5c-6.2 11.5-25.7 39-65.1 39-22.6 0-74-10.3-74-77.1 0-58.7 43-77.1 72.6-77.1 30.8.2 52.7 12.1 66 36zm143.1 0l-32.8 17.3c-9.5-19.8-25.7-19.9-27.9-19.9-22.1 0-33.2 14.6-33.2 43.8 0 23.6 9.2 43.8 33.2 43.8 14.5 0 24.6-7.1 30.5-21.3l31 15.5c-2.1 3.7-21.4 39-65.1 39-22.7 0-74-9.9-74-77.1 0-58.7 43-77.1 72.6-77.1 30.8.2 52.7 12.1 65.7 36zM247.6 8C389.4 8 496 118.1 496 256c0 147.1-118.5 248-248.4 248C113.6 504 0 394.5 0 256 0 123.1 104.7 8 247.6 8zm.8 44.7C130.2 52.7 44.7 150.6 44.7 256c0 109.8 91.2 202.8 203.7 202.8 103.2 0 202.8-81.1 202.8-202.8.1-113.8-90.2-203.3-202.8-203.3z"/></svg> 4.0 dan tersedia di laman web pribadi saya **(https://rameliaz.github.io/mlm-lme-workshop/)**. Kode tersedia secara terbuka di [repositori](https://github.com/rameliaz/mlm-lme-workshop) <svg style="height:0.8em;top:.04em;position:relative;" viewBox="0 0 496 512"><path d="M165.9 397.4c0 2-2.3 3.6-5.2 3.6-3.3.3-5.6-1.3-5.6-3.6 0-2 2.3-3.6 5.2-3.6 3-.3 5.6 1.3 5.6 3.6zm-31.1-4.5c-.7 2 1.3 4.3 4.3 4.9 2.6 1 5.6 0 6.2-2s-1.3-4.3-4.3-5.2c-2.6-.7-5.5.3-6.2 2.3zm44.2-1.7c-2.9.7-4.9 2.6-4.6 4.9.3 2 2.9 3.3 5.9 2.6 2.9-.7 4.9-2.6 4.6-4.6-.3-1.9-3-3.2-5.9-2.9zM244.8 8C106.1 8 0 113.3 0 252c0 110.9 69.8 205.8 169.5 239.2 12.8 2.3 17.3-5.6 17.3-12.1 0-6.2-.3-40.4-.3-61.4 0 0-70 15-84.7-29.8 0 0-11.4-29.1-27.8-36.6 0 0-22.9-15.7 1.6-15.4 0 0 24.9 2 38.6 25.8 21.9 38.6 58.6 27.5 72.9 20.9 2.3-16 8.8-27.1 16-33.7-55.9-6.2-112.3-14.3-112.3-110.5 0-27.5 7.6-41.3 23.6-58.9-2.6-6.5-11.1-33.3 2.6-67.9 20.9-6.5 69 27 69 27 20-5.6 41.5-8.5 62.8-8.5s42.8 2.9 62.8 8.5c0 0 48.1-33.6 69-27 13.7 34.7 5.2 61.4 2.6 67.9 16 17.7 25.8 31.5 25.8 58.9 0 96.5-58.9 104.2-114.8 110.5 9.2 7.9 17 22.9 17 46.4 0 33.7-.3 75.4-.3 83.6 0 6.5 4.6 14.4 17.3 12.1C428.2 457.8 496 362.9 496 252 496 113.3 383.5 8 244.8 8zM97.2 352.9c-1.3 1-1 3.3.7 5.2 1.6 1.6 3.9 2.3 5.2 1 1.3-1 1-3.3-.7-5.2-1.6-1.6-3.9-2.3-5.2-1zm-10.8-8.1c-.7 1.3.3 2.9 2.3 3.9 1.6 1 3.6.7 4.3-.7.7-1.3-.3-2.9-2.3-3.9-2-.6-3.6-.3-4.3.7zm32.4 35.6c-1.6 1.3-1 4.3 1.3 6.2 2.3 2.3 5.2 2.6 6.5 1 1.3-1.3.7-4.3-1.3-6.2-2.2-2.3-5.2-2.6-6.5-1zm-11.4-14.7c-1.6 1-1.6 3.6 0 5.9 1.6 2.3 4.3 3.3 5.6 2.3 1.6-1.3 1.6-3.9 0-6.2-1.4-2.3-4-3.3-5.6-2z"/></svg> saya. --- class: inverse, middle # *Outline* Hari 1: Jumat, 22 November 2019 .pull-left[ ## Sebelum istirahat (09.00-11.30) **Pengantar** * Apa itu *structural equation modeling* (SEM)? * Mengapa dan pada kondisi seperti apa SEM diperlukan? * Beberapa pilihan perangkat lunak untuk mengeksekusi SEM * Yang tidak dicakup dalam *workshop* serta keterbatasan JASP ] .pull-right[ ![](https://media.giphy.com/media/31lPv5L3aIvTi/giphy.gif) ] --- class: middle # *Outline* Hari 1: Jumat, 22 November 2019 .pull-left[ ## Sebelum istirahat (09.00-11.30) * Jenis-jenis koefisien korelasi * Faktor-faktor yang membuat koefisien korelasi bervariasiK * [Koreksi atenuasi](https://methods.sagepub.com/reference/encyc-of-research-design/n81.xml) dan *measurement error* * *Variance-covariance* dan *correlation matrix* * *WARNING! Covariance/correlation matrix is not positive definite* * [*Heywood* dan *ultra-Heywood case*](https://journals.sagepub.com/doi/10.1177/0049124112442138) * Bivariat, *part*, dan *partial correlation* * Metrik variabel (*standardised* vs *unstandardised*) ] .pull-right[ ![](https://media.giphy.com/media/3ornjXIIShZ2MgyyHu/giphy.gif) ] --- class: middle # *Outline* Hari 1: Jumat, 22 November 2019 .pull-left[ ## Setelah istirahat (13.00-16.00) * Definisi *path model* * Nama variabel dan koefisien jalur (*path coefficients*) * δ (delta), ε (epsilon), ξ (ksi), η (eta), λ (lambda), γ (gamma), β (beta), φ (phi), ζ (zeta) * Representasi visual model jalur menggunakan diagram jalur (*path diagram*) * Menggambarkan hubungan antar-variabel dengan menggunakan diagram jalur * *Syntax* `lavaan` untuk spesifikasi model jalur * Asumsi kausalitas (?) dan limitasi ] .pull-right[ ![](https://media.giphy.com/media/rVbAzUUSUC6dO/giphy.gif) ] --- class: middle, inverse # *Outline* Hari 2: Sabtu, 23 November 2019 .pull-left[ ## Sebelum istirahat (09.00-12.00) * Definisi *factor analysis* * *Exploratory* vs *confirmatory factor analysis* * Kapan menggunakan CFA? * [*Constraining parameter* model](https://psycnet.apa.org/record/2008-06808-005) * Model pengukuran (paralel, *tau equivalence*, dan *congeneric*) * Variabel indikator (reflektif vs formatif) * *Correlated error variances* * Metode estimasi * Menuliskan hasil analisis CFA dalam laporan penelitian ] .pull-right[ ![](https://media.giphy.com/media/WUq1cg9K7uzHa/giphy.gif) ] --- class: middle # *Outline* Hari 2: Sabtu, 23 November 2019 .pull-left[ ## Setelah istirahat (13.00-16.00) ##### **Dasar-dasar Structural Equation Modeling (SEM)** * Dasar-Dasar SEM: Model struktural & pengukuran * Tahapan *modeling* dengan menggunakan SEM * Spesifikasi model * Identifikasi model * Estimasi model * Menguji model * Memodifikasi model * *Degree of freedom* * *Underidentified*, *just-identified*, dan *overidentified model* ] .pull-right[ ![](https://media.giphy.com/media/11sBLVxNs7v6WA/giphy.gif) ] --- class: middle # *Outline* Hari 2: Sabtu, 23 November 2019 .pull-left[ ## Setelah istirahat (13.00-16.00) ##### **Dasar-dasar Structural Equation Modeling (SEM)** * Jenis-jenis kriteria untuk menilai ketepatan model (*model fit*) * [*Model fit*](http://www.ejbrm.com/issue/download.html?idArticle=183) * *Model comparison*/*Incremental fit indices* * *Model parsimony* * *Parameter fit* * Menguji hipotesis * *Statistical power* * Ukuran sampel * Membandingkan antara pendekatan dua-langkah dengan empat-langkah *modeling* dengan SEM * Menuliskan hasil analisis SEM dalam laporan penelitian ] .pull-right[ ![](https://media.giphy.com/media/LNE01Z89j9gis/giphy.gif) ] --- class: middle # *Outline* Hari 2: Sabtu, 23 November 2019 .pull-left[ ## Setelah istirahat (13.00-16.00) ##### **Multiple-group SEM (MG-SEM)** * Kapan perlu menggunakan MG-SEM? * *Measurement invariance* * *Configural invariance* * *Weak/metric invariance* * *Strong/scalar invariance* * *Strict/residual invariance* * *Homogeneity of latent variable variances* * *Homogeneity of factor means* * Mengevaluasi *measurement invariance* * Menuliskan hasil analisis MG-SEM dalam laporan penelitian ] .pull-right[ ![](https://media.giphy.com/media/PBM14uaJCbp72/giphy.gif) ] --- class: inverse, center, middle .pull-left[ # Apa itu *structural equation modeling*? ## Pernahkah bapak/ibu menggunakan SEM sebelumnya? ## Untuk apa SEM digunakan? ] .pull-right[ ![](https://media.giphy.com/media/fvwXjE0Hf70690czE5/giphy.gif) ] --- # SEM adalah... * Memuat **hubungan** antara **observed** dan **latent variables** dalam berbagai bentuk model teoritis. SEM memungkinkan peneliti untuk melakukan **pengujian hipotesis** yang berkaitan dengan model tersebut. * Model SEM mengasumsikan (hipotesis) bahwa seperangkat variabel (*observed*) mendefinisikan sebuah konstruk **laten**, dan menggambarkan bagaimana hubungan antara konstruk-konnstruk laten ini. * Tujuan SEM adalah untuk mengetahui apakah model teoritik yang diuji peneliti **didukung oleh data** - Apabila data memberikan **bukti yang mendukung** bahwa hubungan antar konstruk/variabel terjadi, maka **mungkin** hubungan tersebut memang benar-benar ada di populasi. - Apabila data **tidak memberikan bukti yang mendukung** korelasi yang dihipotesiskan, maka peneliti dapat melakukan **re-spesifikasi model** dan menguji kembali model yang sudah dire-spesifikasi tersebut, atau **menyusun ulang model yang baru** untuk kemudian diuji kembali. --- # Jenis-jenis variabel .pull-left[ * Variabel *observed* - Variabel yang dapat diukur langsung dengan berbagai cara/strategi. - Dalam pengukuran Psikologi, *item* pernyataan (dalam skala Psikologi - bisa dalam bentuk skala *Likert* atau yang lain) adalah variabel *observed*. - Variabel *observed* dapat merefleksikan variabel *latent* atau bisa menjadi **kombinasi linear** atas variabel *observed* yang lain (*index*). * Variabel *latent* - Konstruk/variabel yang **tidak dapat diukur secara langsung**. - Oleh karena itu, membutuhkan variabel *observed* untuk mengukurnya. - Variabel *latent* dapat berperan sebagai variabel *independent* atau *dependent*. ] .pull-right[ ![](https://media.giphy.com/media/irClCpuJAWgRqtP73t/giphy.gif) ] --- # Jenis-jenis variabel .pull-left[ * Variabel Eksogen dan Endogen - Variabel eksogen <svg style="height:0.8em;top:.04em;position:relative;" viewBox="0 0 512 512"><path d="M256 8c137 0 248 111 248 248S393 504 256 504 8 393 8 256 119 8 256 8zm-28.9 143.6l75.5 72.4H120c-13.3 0-24 10.7-24 24v16c0 13.3 10.7 24 24 24h182.6l-75.5 72.4c-9.7 9.3-9.9 24.8-.4 34.3l11 10.9c9.4 9.4 24.6 9.4 33.9 0L404.3 273c9.4-9.4 9.4-24.6 0-33.9L271.6 106.3c-9.4-9.4-24.6-9.4-33.9 0l-11 10.9c-9.5 9.6-9.3 25.1.4 34.4z"/></svg> variabel yang **hanya memberi** *direct effect* pada variabel lain di dalam model yang sama - Variabel endogen <svg style="height:0.8em;top:.04em;position:relative;" viewBox="0 0 512 512"><path d="M256 8c137 0 248 111 248 248S393 504 256 504 8 393 8 256 119 8 256 8zm-28.9 143.6l75.5 72.4H120c-13.3 0-24 10.7-24 24v16c0 13.3 10.7 24 24 24h182.6l-75.5 72.4c-9.7 9.3-9.9 24.8-.4 34.3l11 10.9c9.4 9.4 24.6 9.4 33.9 0L404.3 273c9.4-9.4 9.4-24.6 0-33.9L271.6 106.3c-9.4-9.4-24.6-9.4-33.9 0l-11 10.9c-9.5 9.6-9.3 25.1.4 34.4z"/></svg> variabel yang **hanya menerima** *direct effect* pada variabel lain di dalam model yang sama ] .pull-right[ ![](https://media.giphy.com/media/yBFOH8Ux7nHQA/giphy.gif) ] --- # Contohnya... .pull-left[ * Seorang peneliti ingin **mengukur kepribadian** seorang responden dengan menggunakan pendekatan *Five-Factor Model* (Big 5), maka aitem dalam skala tersebut adalah *observed variable*, sedangkan dimensi dari Big 5 (*neuroticism*, *agreeableness*, *conscientiousness*, dan *extraversion*) adalah *latent variable*. * Seorang peneliti Psikologi Pendidikan ingin tahu apakah **kepercayaan orang tua bahwa anaknya dapat berkembang secara natural** (*trust in organismic development* - *independent latent variable*) berkorelasi dengan **tingkat kemandirian anak** (*dependent latent variable*). ] .pull-right[ ![](https://media.giphy.com/media/d5fW0J4klfwnm/giphy.gif) ] --- # Contohnya... .pull-left[ * Dalam konteks Psikologi Klinis, seorang pakar *public mental health* ingin tahu apakah **status sosio-ekonomi** (*observed independent variable*) dapat berdampak pada **kondisi kesehatan mental** individu (*latent dependent variable*). * Dalam sebuah penelitian Psikologi Sosial, peneliti ingin tahu apakah **kepribadian seseorang** (*independent latent variable*) dapat menjelaskan mengapa orang **merespon pelanggaran moral** secara berbeda (*dependent latent variable*). ] .pull-right[ ![](https://media.giphy.com/media/DxneCO38aK4Fi/giphy.gif) ] --- # Model SEM .pull-left[ * Model regresi (linear/OLS) - Menguji hubungan antar variabel *observed* * Model jalur (*path model*) - Menguji hubungan antara variabel *observed* dan *latent* * Model pengukuran (*measurement model*/*confirmatory factor analysis*) - Menguji apakah aitem-aitem dari skala Psikologi (yang mengukur konstruk laten tertentu) memang betul-betul mengukur konstruk tersebut <svg style="height:0.8em;top:.04em;position:relative;" viewBox="0 0 512 512"><path d="M256 8c137 0 248 111 248 248S393 504 256 504 8 393 8 256 119 8 256 8zm-28.9 143.6l75.5 72.4H120c-13.3 0-24 10.7-24 24v16c0 13.3 10.7 24 24 24h182.6l-75.5 72.4c-9.7 9.3-9.9 24.8-.4 34.3l11 10.9c9.4 9.4 24.6 9.4 33.9 0L404.3 273c9.4-9.4 9.4-24.6 0-33.9L271.6 106.3c-9.4-9.4-24.6-9.4-33.9 0l-11 10.9c-9.5 9.6-9.3 25.1.4 34.4z"/></svg> validitas konstruk. * SEM biasanya mengandung setidaknya dua model, yaitu model pengukuran dan model struktural (regresi/jalur). ] .pull-right[ ![](https://media.giphy.com/media/SRNbNpKgJ03mOiYceA/giphy.gif) ] --- # Mengapa SEM dilakukan? * Peneliti sudah memiliki kesadaran bahwa ia harus menyelidiki **beberapa variabel penelitian** secara bersamaan untuk menjawab pertanyaan penelitiannya. * Ada kesadaran bahwa peneliti selama ini mengabaikan faktor *error* pengkuran. SEM membantu peneliti untuk **mengurangi efek *measurement error*** terhadap hasil analisis data. Untuk itu, peneliti dapat sekaligus menguji properti/kualitas psikometrik instrumen yang digunakan. * Selama beberapa dekade kebelakang, SEM termasuk teknik analisis data yang sudah cukup **matang pengembangannya**, dan dapat mudah dilakukan dengan bantuan perangkat lunak. * Perangkat lunak SEM sudah cukup *user-friendly* - `JASP` adalah perangkat lunak SEM yang hanya memerlukan *coding* yang sangat minimal. - Namun `JASP` fungsinya agak terbatas, karena tidak menyediakan opsi *power analysis* (digunakan untuk merencanakan jumlah sampel) dan simulasi. - Selain itu, peneliti dapat menggunakan `Onyx`, `LISREL`, `AMOS`, `EQX`, `Mplus`, `STATA`, dsb. * SEM adalah teknik yang lebih *sophisticated* untuk menggambarkan **hubungan antar-variabel** karena membuang **error pengukuran** dari estimasi korelasi, dan mengurangi bias estimasi model karena konstruk laten diperlakukan sebagaimana mestinya, bukan **dianggap** seolah-olah *observed variable*. --- # Yang tidak dicakup oleh *workshop* ini... .pull-left[ * *Exploratory factor analysis* (EFA) * *A priori power analysis*, Monte Carlo *simulation*, dan *accuracy in parameter estimation* (AIPE) <svg style="height:0.8em;top:.04em;position:relative;" viewBox="0 0 512 512"><path d="M256 8c137 0 248 111 248 248S393 504 256 504 8 393 8 256 119 8 256 8zm-28.9 143.6l75.5 72.4H120c-13.3 0-24 10.7-24 24v16c0 13.3 10.7 24 24 24h182.6l-75.5 72.4c-9.7 9.3-9.9 24.8-.4 34.3l11 10.9c9.4 9.4 24.6 9.4 33.9 0L404.3 273c9.4-9.4 9.4-24.6 0-33.9L271.6 106.3c-9.4-9.4-24.6-9.4-33.9 0l-11 10.9c-9.5 9.6-9.3 25.1.4 34.4z"/></svg> merupakan teknik-teknik yang digunakan untuk mengestimasi jumlah sampel * *Mixture model* (SEM untuk desain penelitian longitudinal) <svg style="height:0.8em;top:.04em;position:relative;" viewBox="0 0 512 512"><path d="M256 8c137 0 248 111 248 248S393 504 256 504 8 393 8 256 119 8 256 8zm-28.9 143.6l75.5 72.4H120c-13.3 0-24 10.7-24 24v16c0 13.3 10.7 24 24 24h182.6l-75.5 72.4c-9.7 9.3-9.9 24.8-.4 34.3l11 10.9c9.4 9.4 24.6 9.4 33.9 0L404.3 273c9.4-9.4 9.4-24.6 0-33.9L271.6 106.3c-9.4-9.4-24.6-9.4-33.9 0l-11 10.9c-9.5 9.6-9.3 25.1.4 34.4z"/></svg> *latent growth curve* * Model SEM dengan *missing data* * Model SEM dengan variabel moderator/mediator, atau *moderated mediation* atau *mediated moderation* * Model SEM ketika variabel indikatornya *dichotomous* * *Hierarchical latent variable model* (*second-order CFA*, misalnya) * SEM dengan model pengukuran formatif dan *multiple indicators, multiple causes* (MIMIC) ] .pull-right[ ![](https://media.giphy.com/media/LpQuxhwDhzLCEKVYFh/giphy.gif) ] --- class: inverse # Ketika menggunakan SEM, maka asumsinya... .pull-left[ ### 🔈 Data berdistribusi normal (*multivariate*) ### 🔈 Korelasi antar variabel sifatnya linear ] .pull-right[ ![](https://media.giphy.com/media/l4pTfqyI6TCjUW4Yo/giphy.gif) ] --- # Normalitas data * Mengapa data **tidak berdistribusi normal?** - Bisa jadi **bentuk datanya ordinal/nominal**, sehingga kalau menggunakan skala *Likert*, maka kemungkinan besar distribusi data menjadi tidak normal. - Jumlah sampel **terlalu sedikit**. - Distribusi data yang tidak normal akan berdampak pada *variance-covariance matrix*. * Apa yang harus dilakukan? - Untuk **mengkoreksi distribusi data** yang juling (*skewness*), [***probit transformation***](http://methods.sagepub.com/Reference/the-sage-encyclopedia-of-educational-research-measurement-and-evaluation/i16518.xml) merupakan strategi yang terbaik. - Untuk mengkoreksi *kurtosis* yang tidak sesuai, membutuhkan prosedur yang agak lebih rumit. Beberapa diantaranya adalah dengan menambah jumlah responden, melakukan estimasi *standard error* dengan metode *bootstrapping*, atau bisa juga dengan menggunakan **metode estimasi** yang khusus untuk data yang tidak berdistribusi normal (*weighted least squares*). --- class: center, middle # Terima kasih banyak! 😉 ![](https://media.giphy.com/media/hrBSJ2So6iTo4/giphy.gif) Paparan disusun dengan menggunakan <svg style="height:0.8em;top:.04em;position:relative;" viewBox="0 0 581 512"><path d="M581 226.6C581 119.1 450.9 32 290.5 32S0 119.1 0 226.6C0 322.4 103.3 402 239.4 418.1V480h99.1v-61.5c24.3-2.7 47.6-7.4 69.4-13.9L448 480h112l-67.4-113.7c54.5-35.4 88.4-84.9 88.4-139.7zm-466.8 14.5c0-73.5 98.9-133 220.8-133s211.9 40.7 211.9 133c0 50.1-26.5 85-70.3 106.4-2.4-1.6-4.7-2.9-6.4-3.7-10.2-5.2-27.8-10.5-27.8-10.5s86.6-6.4 86.6-92.7-90.6-87.9-90.6-87.9h-199V361c-74.1-21.5-125.2-67.1-125.2-119.9zm225.1 38.3v-55.6c57.8 0 87.8-6.8 87.8 27.3 0 36.5-38.2 28.3-87.8 28.3zm-.9 72.5H365c10.8 0 18.9 11.7 24 19.2-16.1 1.9-33 2.8-50.6 2.9v-22.1z"/></svg> *package* [**xaringan**](https://github.com/yihui/xaringan) dengan *template* dan *fonts* dari `R-Ladies`. *Chakra* dibuat dengan [remark.js](https://remarkjs.com), [**knitr**](http://yihui.name/knitr), dan [R Markdown](https://rmarkdown.rstudio.com).