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 6 - *Multigroup* SEM <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/) --- # *Multigroup* SEM: untuk apa? * *Invariance* <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> apakah dalam kondisi yang beragam ketika melakukan pengukuran, alat ukur selalu mengukur atribut ukur yang sama * *Measuremet invariance* <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> dua atau lebih kelompok memiliki model pengukuran yang sama, yaitu variabel laten dalam model pengukuran adalah konstruk yang sama * Ketika membandingkan model pengukuran di dua atau lebih kelompok yang berbeda, untuk menyimpulkan terjadinya *invariance*, maka peneliti akan menginginkan *chi-square* (*X*<sup>2</sup>) yang *p-value*nya ≤ α * Kalau kita berniat melakukan perbandingan performa alat ukur di dua kelompok sampel yang berbeda, maka kita lebih baik menggunakan ***means-covariance matrix*** bukan *variance-covariance matrix* <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> ingat *t-test* dan *anova* --- # *Means* dan *intercept* .pull-left[ * Kalau kita masukkan *mean* variabel laten ke dalam model, maka ***intercept*nya juga harus dimasukkan dalam model** * *Mean* dan *intercept* adalah ukuran *lokasi variabel*, dimana... - ***Mean*** adalah komponen ***common factor*** - ***Intercept*** adalah komponen ***unique factor*** * *Intercept* disimbolkan dengan segitiga dan - **Hanya boleh "ketemu"** dengan panah *uni-directional* dan sifatnya *backwards* ] .pull-right[ <center><img src="libs/meansintercept.png" style="width=100%;" class="fancyimage"/></center><br> ] --- # Jenis-jenis *measurement invariance* * *Configural* - Jenis ini adalah yang paling dasar, yang mengasumsikan bahwa **model memiliki struktur yang sama** di **semua kelompok** - Oleh karena itu, semua kelompok **harus** memiliki **jumlah faktor/variabel laten** dan **jumlah variabel indikator/*observed* yang sama** dengan pola *constrained* dan *estimated parameters* yang sama - **Tidak ada ketentuan** bahwa parameter di dalam model harus setara di semua kelompok, sehingga dengan *configural invariance* saja memang sulit disimpulkan bahwa faktor/variabel laten adalah konstruk yang sama pada semua kelompok <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> tidak ada *between-group comparison* - Untuk mengeksekusi *configural variance* tinggal menambahkan `grouping variable` di `JASP` caranya pada bagian **options**, masukkan variabel yang mengindikasikan kelompok * *Weak*/*metric* - ***Factor loading* harus sama** pada setiap kelompok, tetapi **varians variabel laten boleh bervariasi** - Dinamai *weak* karena asumsinya masih lemah untuk menyimpulkan bahwa faktor laten **ekuivalen** di semua kelompok, karena membolehkan varians variabel laten yang berbeda di masing-masing kelompok - Untuk mengeksekusi *weak variance* tambahkan `grouping variable` di `JASP` dan tik pilihan `loadings` pada `equality constraints` --- # Jenis-jenis *measurement invariance* * *Strong*/*scalar* - **Selain *factor loading* harus sama**, *strong invariance* mensyaratkan ***intercept* harus sama juga** - Ketika membatasi/*constraining* *intercept*, maka *means* boleh bervariasi di berbagai kelompok - Dengan asumsi *strong invariance* ekuivalensi variabel laten lebih didukung bukti yang kuat (daripada *configural* dan *weak invariance*) - Untuk mengeksekusi *strong variance* tambahkan `grouping variable` di `JASP` dan tik pilihan `loadings` dan `intercept` pada `equality constraints` * *Strict*/*residuals* - **Selain *factor loading* dan *intercept* harus sama**, *strict invariance* mensyaratkan ***varians error*/*residual* sama juga** - Biasanya asumsi ini **tidak terlalu diperlukan** untuk membandingkan variabel laten di masing-masing kelompok, karena residual/*measurement error* di setiap kelompok **sangat wajar apabila berbeda** secara acak (*random error variance*) atau bisa jadi spesifik pada setiap indikator/*observed variable* (*indicator-specific variance*) - Untuk mengeksekusi *strict variance* tambahkan `grouping variable` di `JASP` dan tik pilihan `loadings`, `intercept`, dan `residuals` pada `equality constraints` --- # Jenis-jenis *measurement invariance* * Homogenitas varians variabel laten - Untuk melihat apakah **varians variabel laten setara** di masing-masing kelompok - Kalau tidak terpenuhi berarti kelompok dengan varians variabel laten yang **lebih kecil** menggunakan **rentang konstruk yang lebih sempit** daripada yang varians variabel latennya besar - Untuk mengeksekusinya `grouping variable` di `JASP` dan tik pilihan `latent variances` * Homogenitas *factor means* - Untuk melihat **apakah ada perbedaan *mean* variabel laten** di masing-masing kelompok - Perosedur yang sama dengan `anova` atau `t-test` - Untuk mengeksekusinya `grouping variable` di `JASP` dan tik pilihan `means` --- # Evaluasi *measurement invariance* #### Umumnya ada dua cara yaitu * **Pendekatan statistik** - Karena struktur data yang hirarkis, maka untuk mengevaluasi *invariance* perlu beberapa langkah - Dalam pendekatan statistik, peneliti dapat mengevaluasi **perubahan *X*<sup>2</sup>** (Δ*X*<sup>2</sup>) ketika membandingkan model antar kelompok - Seharusnya ketika pembatasan model ditambah, maka Δ*X*<sup>2</sup>, sehingga seharusnya *p-value* dari Δ*X*<sup>2</sup> > α (misalnya 0.05) * **Pendekatan *modeling*** - Pendekatan *modeling* menggunakan *approximate fit indices* (AFI) untuk menyimpulkan *invariance* - Yang bisa digunakan adalah *comparative fit index* (CFI) dan *McDonald's noncentrality fit index* (MFI), sehingga ketika **keduanya mendekati 1**, kita dapat simpulkan *invariance* 🆗 --- <center><img src="libs/invariance.png" style="width:80%;" class="fancyimage"/></center><br> .footnote[ <sup>*</sup> Baujean, A.A. (2014). Latent Variable Modeling Using R: A step-by-step guide. New York: Routledge. ] --- class: inverse # Demonstrasi *multigroup SEM* .pull-left[ ### [Klik untuk unduh datasetnya disini](https://rameliaz.github.io/mg-sem-workshop/dataset-mg.csv) ### Atau pada repositori, unduh [**Dataset Contoh Multigroup SEM**](https://rameliaz.github.io/mg-sem-workshop/dataset-mg.csv) ] .pull-right[ ![](https://media.giphy.com/media/l4pLXMFYQmTM2se7m/giphy.gifK) ] --- # TUGAS 6 (**terakhir**🙏): Mencoba *multigroup* SEM .pull-left[ * Unduh [Dataset Latihan SEM](https://rameliaz.github.io/mg-sem-workshop/dataset-wave1.csv) * Unduh [Kamus Data disini](https://rameliaz.github.io/mg-sem-workshop/codebook-kamusdata.xlsx) * Cek *measurement invariance* pada skala *right-wing authoritarianism* antara laki-laki dan perempuan * *Export* datasetnya menjadi `.htm` kemudian ### [**Unggah tugasnya di sini**](https://forms.gle/6tdDH7Fin4xp7aL96) ] .pull-right[ ![](https://media.giphy.com/media/l1KVaj5UcbHwrBMqI/giphy.gif) ] --- 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).