a short introduction to partial least squares structural equation modeling
TRANSCRIPT
11/25/2017
1
Bodhiya Wijaya Mulya, S.Sos., M.M.
Brief Profile
Expertise Area:Research methodologyPrivate Sector DevelopmentSocial entrepreneurshipSocial statisticsSociology of religion
Contact info:
For consultation or detailed training,contact: [email protected]
©Bodhiya Wijaya Mulya
11/25/2017
2
©Bodhiya Wijaya Mulya
Bodhiya Wijaya Mulya, S.Sos., M.M.
Apa itu PLS-SEM ?
• Partial Least Squares Structural Equation Modeling (PLS-SEM) adalah salah satu cara pendekatan SEM yang berfokus pada variance.
• Secara sederhana PLS-SEM bisa dibilangadalah versi non-parametric dari SEM
• PLS-SEM merupakan pendekatan dari SEM yang fleksibel tanpa terikat dengan asumsi dari distribusi data
©Bodhiya Wijaya Mulya
11/25/2017
3
Perkembangan PLS-SEM
• Dibuat pada pertengahan tahun 1960
• Sampai pertengahan tahun 2000an belum ada perkembangan lebih lanjut agar PLS-SEM dapat dipakai dengan mudah
• Generasi pertama PLS-SEM yang biasa dipakai ada di tahun 1980an adalah LVPLS 1.8 yang masih berbasis program DOS
©Bodhiya Wijaya Mulya
Perkembangan PLS-SEM
• Paket software PLS-SEM yang populer saat iniadalah WarpPLS (software komersial) dan SmartPLS (software freemium)
©Bodhiya Wijaya Mulya
11/25/2017
4
PLS-SEM (vs) CB-SEM
• Gunakan PLS-SEM:Tujuan dari penelitian adalah memperkirakan
relasi antara variable-variable laten kunci ataumencari variable laten yang menjadi penggerak
Terdapat indicator formatifTerdapat banyak variable laten dan banyak
variable manifest atau model yang dihasilkanrumit
Jumlah sample sedikit dan/atau tidakberdistribusi normal
©Bodhiya Wijaya Mulya
PLS-SEM (vs) CB-SEM
• Gunakan CB-SEM:
Tujuan penelitian adalah menguji ataumengkonfirmasi teori sertamembandingkan antara beberapaalternative teori
Terdapat hubungan dua-arah/ di dalammodel
Model relatif sederhana
©Bodhiya Wijaya Mulya
11/25/2017
5
Karakteristik PLS-SEM
• Hanya mengijinkanhubungan searah ataurekursif
• Terdiri atas variable: Variabel laten/unobserved
variable/konstruk
Variable manifest/observed variable/indikator
©Bodhiya Wijaya Mulya
Karakteristik PLS-SEM
• Hubungan antara konstruk dan indikatordapat bersifat reflektif dan formatif
• Satu manifest hanya bisa dihubungkan dengansatu laten saja
©Bodhiya Wijaya Mulya
11/25/2017
6
Karakteristik PLS-SEM
• PLS SEM mewajibkan bebas multikolinearitasantar variable-variable eksogen-nya
• Tidak ada kriteria goodness of fit
• Dapat digunakan untuk riset-riset eksploratif
• Sangat berguna ketika sample sangat terbatas dan distribusi data tidak normal
©Bodhiya Wijaya Mulya
Sample dalam PLS-SEM
©Bodhiya Wijaya Mulya
11/25/2017
7
Langkah-Langkah Analisis Data DenganPLS-SEM
• Spesifikasi model structural dan pengukuran
• Pengumpulan data
• Mengukur model pengukuran (Reflektif)
• Mengukur model pengukuran (Formatif)
• Mengukur model struktural
©Bodhiya Wijaya Mulya
Spesifikasi model structural danpengukuran
• Proses penyusunan model structural harusdidasarkan pada teori yang ada
• Jenis-jenis variable laten di dalam PLS-SEM ada beberapa yakni:
Variabel Eksogen
Variabel Endogen
Variabel Mediator
Variabel Moderator
©Bodhiya Wijaya Mulya
11/25/2017
8
Spesifikasi model structural danpengukuran
• Penyusunan model pengukuran adalah proses membuat indicator yang mengukur suatukonstruk/laten.
• Proses pembuatan ini dapat menggunakanpenelitian terdahulu ataupun disusun olehpeneliti dengan mengacu pada beberapareferensi teoritis yang ada
©Bodhiya Wijaya Mulya
Spesifikasi model structural danpengukuran
• Terdapat dua bentuk model pengukuran yakni
Model reflektif atau Mode A: Indikatormerupakan suatu kemungkinan kumpulanitem yang digunakan untuk mengukur suatukonstruk. Dalam model ini, indicator bisasaling bertukar satu sama lain ataupundikurangi selama masih mempertahankanreliabilitas. Indicator di dalam model reflektifjuga akan saling berkorelasi satu sama lain
©Bodhiya Wijaya Mulya
11/25/2017
9
Spesifikasi model structural danpengukuran
• Terdapat dua bentuk model pengukuran yakni
Model formatif atau Mode B: Indikator-indicator lah yang menyusun suatu konsep. Dalam model ini, indicator mewakili aspektertentu di dalam konstruk sehingga indikatortidak bisa saling bertukar satu sama lain. Pengurangan indicator akan berakibat padamakna yang berbeda pada konstruk. Indicator di dalam model formatif tidak diharapkansaling berkorelasi satu sama lain
©Bodhiya Wijaya Mulya
Spesifikasi model structural danpengukuran
©Bodhiya Wijaya Mulya
11/25/2017
10
Pengumpulan (Pembersihan) Data
• Missing Data: PLS dapat secara otomatismenggantikan data yang tidak terisi denganrata-rata kelompok.
• Bila dalam satu responden terdapat lebih dari15% missing data maka data seluruhresponden harus dihilangkan dari dataset
©Bodhiya Wijaya Mulya
Pengumpulan (Pembersihan) Data
• Outliers harus dibersihkan dari data sebelumdianalisis dengan PLS-SEM.
• PLS-SEM tidak masalah dengan distribusi data yang tidak normal namun kalau data tersebutterlalu tidak normal, sebaiknya dilakukanpemeriksaan terlebih dahulu. Misalnya jikadidapati skewness dan kurtosis lebih dari 1.
©Bodhiya Wijaya Mulya
11/25/2017
11
Model Pengukuran Reflektif
• Model pengukuran perupaya untuk melihatapakah indicator sudah menjadi “alat ukur” yang tepat bagi konstruk.
• Bagian utama dalam analisis model pengukuran adalah validitas dan reliabilitas
• Tidak ada goodness of fit di dalam PLS-SEM
©Bodhiya Wijaya Mulya
Model Pengukuran Reflektif
• Reliability:
Composite Reliability
Indicator Reliability
©Bodhiya Wijaya Mulya
11/25/2017
12
Model Pengukuran Reflektif
• Convergent Validity
Outer loading
Average Variance Extracted (AVE)
©Bodhiya Wijaya Mulya
Model Pengukuran Reflektif
• Discriminant Validity
Cross-Loading
Fornell-Larcker criterion
©Bodhiya Wijaya Mulya
11/25/2017
13
Model Pengukuran Formatif
• Redundancy Analysis
©Bodhiya Wijaya Mulya
Model Pengukuran Formatif
• Collinearity Analysis
Indikator-indikator dari model formatiftidak boleh saling berkorelasi satu samalain
Diuji dengan SPSS untuk melihat nilaitolerance dan VIF
©Bodhiya Wijaya Mulya
11/25/2017
14
Model Pengukuran Formatif
• Outer Weight
Uji Significance outer weight denganbootstrapping
• Outer Loading
Uji Significance outer loading denganbootstrapping
©Bodhiya Wijaya Mulya
Model Struktural
• Memeriksa multikolinearitas antar variable laten
Variabel-variabel laten eksogenus yang memengaruhi suatu variable latenendogenus yang sama tidak boleh memilikikorelasi satu sama lain
©Bodhiya Wijaya Mulya
11/25/2017
15
Model Struktural
• Menguji path coefficient beserta nilaisignificance-nya
Path coefficient adalah nilai yang menunjukkan kekuatan dan arah korelasiantara satu variable dengan variable yang lain
Nilai significance-nya didapatkan dariprosedur bootstrapping
©Bodhiya Wijaya Mulya
Model Struktural
• Melihat nilai coefficient of determinantion(R2 value)
Menunjukkan seberapa besar suatuvariable endogen dipengaruhi olehvariable-variable eksogen-nya
Berkisar antara 0 sampai 1
©Bodhiya Wijaya Mulya
11/25/2017
16
Model Struktural
• Menghitung effect size (f2 value)
Sebagai tambahan atas analisis R2 untukmelihat apakah keberadaan suatu variable eksogenus tertentu memiliki dampak yang substansial terhadap variable endogen
©Bodhiya Wijaya Mulya
Model Struktural
• Menghitung Q2
Nilai predictive relevance mengukurseberapa tepat model tersebutmemprediksikan variable laten endogenus
Didapatkan melalui mekanismeblindfolding
Tahap ini hanya perlu dilakukan untukvariable endogen yang berindikatorreflektif saja
©Bodhiya Wijaya Mulya
11/25/2017
17
Model Struktural
• Menghitung q2
Nilai predictive relevance relatif
Mirip dengan f2 effect size
Tahap ini hanya perlu dilakukan untukvariable endogen yang berindikatorreflektif saja
©Bodhiya Wijaya Mulya
Bodhiya Wijaya Mulya, S.Sos., M.M.
11/25/2017
18
Analisis Mediasi
• Variabel Mediasi adalah suatu variable yang menjadi penghubung antara variable Eksogendan Endogen.
©Bodhiya Wijaya Mulya
Analisis Mediasi
©Bodhiya Wijaya Mulya
11/25/2017
19
Analisis Mediasi
• Langkah-Langkah Analisis Mediasi
1. Melihat hubungan langsung antara eksogendan endogen tanpa adanya mediasi
Mengeluarkan variable mediasi dari model PLS
Bila path coefficient signifikan makalanjutkan
Bila hasilnya tidak signifikan maka tidakada efek mediasi
©Bodhiya Wijaya Mulya
Analisis Mediasi
• Langkah-Langkah Analisis Mediasi
2. Melihat hubungan tidak langsung antaraeksogen dan endogen melalui variable mediasi Masukkan variable mediasi ke model PLS
Bila path coefficient hubungan tidak langsungmenunjukkan hasil yang signifikan makalanjutkan
Bila hasilnya tidak signifikan maka tidak adamediasi
©Bodhiya Wijaya Mulya
11/25/2017
20
Analisis Mediasi
• Langkah-Langkah Analisis Mediasi
3. Menghitung nilai Variance Accounted For
��� =�������� ������
����� ������
Total Effect adalah efek tidak langsungditambah efek langsung
©Bodhiya Wijaya Mulya
Analisis Mediasi
• Langkah-Langkah Analisis Mediasi
4. Menginterpretasi hasil VAF
VAF > 80% Mediasi penuh
VAF = 20%-80% Mediasi sebagian
VAF < 20% Tidak ada mediasi
©Bodhiya Wijaya Mulya
11/25/2017
21
Analisis Moderasi
• Variabel moderator adalah variable yang memperkuat atau memperlemah hubunganantara variable eksogen dengan variable endogen
• Variabel moderator bahkan dapat mengubaharah dari suatu hubungan antara eksogen danendogen
©Bodhiya Wijaya Mulya
Analisis Moderasi
• Dalam hubungan antara kepuasan pelanggandan loyalitas pelanggan dapat dimoderasi olehincome bulanan pelanggan
©Bodhiya Wijaya Mulya
11/25/2017
22
Analisis Moderasi
• Terdapat dua pendekatan dalam melakukananalisis moderasi
1. Product Indicator Approach
2. Two Stages Approach
©Bodhiya Wijaya Mulya
Analisis Moderasi
• Product Indicator Approach
Dilakukan dengan membuat sebuahvariable baru yang merupakan hasilperkalian antara variable eksogen danmoderator
Variabel ini bisa disebut sebagai variable interaksi
Setiap indicator di masing-masing variabeljuga dikalikan
©Bodhiya Wijaya Mulya
11/25/2017
23
Analisis Moderasi
• Product Indicator Approach
©Bodhiya Wijaya Mulya
Analisis Moderasi
• Two Stage Approach
Pendekatan ini harus digunakan apabilaada indicator formatif dalam model
Akan tetapi model dengan indicator reflektif juga bisa menggunakanpendekatan ini
©Bodhiya Wijaya Mulya
11/25/2017
24
Analisis Moderasi
• Two Stage Approach
First Stage:
Model diestimasi tanpa melihat interaksiantara variable eksogen dan moderator
Hasil Latent Variable Score disimpan dandigunakan untuk Second Stage
©Bodhiya Wijaya Mulya
Analisis Moderasi
• Two Stage Approach
First Stage:
©Bodhiya Wijaya Mulya
11/25/2017
25
Analisis Moderasi
• Two Stage Approach
Second Stage:
Buat variable interaksi yang merupakanperkalian antara eksogen denganmoderator
Latent Variable Score di stage 1 darimasing-masing variable dijadikan indicator reflektif untuk variable terkait
©Bodhiya Wijaya Mulya
Analisis Moderasi
• Two Stage Approach
Second Stage:
Variabel perkalian antara eksogen danmoderator menggunakan indicator yang berasal dari perkalian LV score eksogen danmoderator di stage 1
©Bodhiya Wijaya Mulya
11/25/2017
26
Analisis Moderasi
• Two Stage Approach
Second Stage:
©Bodhiya Wijaya Mulya
Analisis Moderasi
• Interpretasi dilakukan dengan melihat path coefficient dan p-value dari variable interaksi
• Bila path coefficient menunjukkan hasil positifmaka berarti variable moderator memperkuathubungan antara eksogen dan endogen
• Sebaliknya hasil negative menunjukkanvariable moderator justru memperlemahhubungan
©Bodhiya Wijaya Mulya
11/25/2017
27
Analisis Hierarchical Component Model
• Dalam beberapa kasus, suatu variable latenmemiliki “indicator” yang juga berupa variable laten.
©Bodhiya Wijaya Mulya
Analisis Hierarchical Component Model
• Alasan menggunakan HCM
Mengurangi kompleksitas model structural
Mengatasi multikolinearitas antara variable eksogen
Mengatasi indicator-indicator formative yang saling berkorelasi
©Bodhiya Wijaya Mulya
11/25/2017
28
Analisis Hierarchical Component Model
• Empat jenis HCM
©Bodhiya Wijaya Mulya
Analisis Hierarchical Component Model
• Terdapat dua pendekatan untuk melakukananalisis hierarchical component model
Repeated Indicator Approach
Two Stage Approach
©Bodhiya Wijaya Mulya
11/25/2017
29
Analisis Hierarchical Component Model
• Repeated Indicator Approach
Menghubungkan ulang indicator dari darisetiap LOC ke HOC
©Bodhiya Wijaya Mulya
Analisis Hierarchical Component Model
• Two Stage Approach
Digunakan ketika sifat hubungan LOC-HOC serta indicator-LOC berbeda
Saat hubungan LOC-HOC bersifat formatif di mana HOC mendapat pengaruh darivariable lain
©Bodhiya Wijaya Mulya
11/25/2017
30
Analisis Hierarchical Component Model
• Two Stage Approach
Lakukan uji repeated indicator untukmendapatkan Latent Variable Score dari LOC
Ubah LOC menjadi indicator denganmenggunakan Latent Variable Score yang didapat dari stage 1
Sifat hubungan tidak boleh diubah
©Bodhiya Wijaya Mulya
Analisis Hierarchical Component Model
• Two Stage Approach
©Bodhiya Wijaya Mulya
11/25/2017
31
Analisis Hierarchical Component Model
• Two Stage Approach
©Bodhiya Wijaya Mulya
References
• Hair Jr, J. F., Hult, G. T. M., Ringle, C., & Sarstedt, M. (2014). A Primer on Partial Least Squares Structural Equation Modeling (PLS-SEM). California: Sage Publications.
• Hair, J.F., Black, W.C., Anderson, R.E., Babin, B.J. (2010). Multivariate Data Analysis 7th Edition. New Jersey: Prentice Hall
• Sarwono, J. dan Narimawati, U. (2015). Membuat Skripsi, Tesis, dan Disertasi dengan Partial Least Square SEM. Yogyakarta: Penerbit Andi.
• Ghozali, I. (2008). Structural Equation Modelling Alternatif dengan Partial Least Square Edisi 2. Semarang: Badan Penerbit Universitas Diponegoro
©Bodhiya Wijaya Mulya