a short introduction to partial least squares structural equation modeling

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



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


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


Perkembangan PLS-SEM

• Paket software PLS-SEM yang populer saat iniadalah WarpPLS (software komersial) dan SmartPLS (software freemium)


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


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


11/25/2017

5

Karakteristik PLS-SEM

• Hanya mengijinkanhubungan searah ataurekursif

• Terdiri atas variable: Variabel laten/unobserved

variable/konstruk

Variable manifest/observed variable/indikator



• Hubungan antara konstruk dan indikatordapat bersifat reflektif dan formatif

• Satu manifest hanya bisa dihubungkan dengansatu laten saja


11/25/2017

6


• 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


Sample dalam PLS-SEM


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


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


11/25/2017

8


• 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



• 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


11/25/2017

9


• 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




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


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.


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



• Reliability:

Composite Reliability

Indicator Reliability


11/25/2017

12


• Convergent Validity

Outer loading

Average Variance Extracted (AVE)



• Discriminant Validity

Cross-Loading

Fornell-Larcker criterion


11/25/2017

13

Model Pengukuran Formatif

• Redundancy Analysis



• Collinearity Analysis

Indikator-indikator dari model formatiftidak boleh saling berkorelasi satu samalain

Diuji dengan SPSS untuk melihat nilaitolerance dan VIF


11/25/2017

14


• Outer Weight

Uji Significance outer weight denganbootstrapping

• Outer Loading

Uji Significance outer loading denganbootstrapping


Model Struktural

• Memeriksa multikolinearitas antar variable laten

Variabel-variabel laten eksogenus yang memengaruhi suatu variable latenendogenus yang sama tidak boleh memilikikorelasi satu sama lain


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


Model Struktural

• Melihat nilai coefficient of determinantion(R2 value)

Menunjukkan seberapa besar suatuvariable endogen dipengaruhi olehvariable-variable eksogen-nya

Berkisar antara 0 sampai 1


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


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


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



11/25/2017

18

Analisis Mediasi

• Variabel Mediasi adalah suatu variable yang menjadi penghubung antara variable Eksogendan Endogen.


Analisis Mediasi


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


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


11/25/2017

20

Analisis Mediasi


3. Menghitung nilai Variance Accounted For

�� =��

��

Total Effect adalah efek tidak langsungditambah efek langsung


Analisis Mediasi


4. Menginterpretasi hasil VAF

VAF > 80% Mediasi penuh

VAF = 20%-80% Mediasi sebagian

VAF < 20% Tidak ada mediasi


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


Analisis Moderasi

• Dalam hubungan antara kepuasan pelanggandan loyalitas pelanggan dapat dimoderasi olehincome bulanan pelanggan


11/25/2017

22

Analisis Moderasi

• Terdapat dua pendekatan dalam melakukananalisis moderasi

1. Product Indicator Approach

2. Two Stages Approach


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


11/25/2017

23

Analisis Moderasi

• Product Indicator Approach


Analisis Moderasi

• Two Stage Approach

Pendekatan ini harus digunakan apabilaada indicator formatif dalam model

Akan tetapi model dengan indicator reflektif juga bisa menggunakanpendekatan ini


11/25/2017

24

Analisis Moderasi


First Stage:

Model diestimasi tanpa melihat interaksiantara variable eksogen dan moderator

Hasil Latent Variable Score disimpan dandigunakan untuk Second Stage


Analisis Moderasi


First Stage:


11/25/2017

25

Analisis Moderasi


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


Analisis Moderasi


Second Stage:

Variabel perkalian antara eksogen danmoderator menggunakan indicator yang berasal dari perkalian LV score eksogen danmoderator di stage 1


11/25/2017

26

Analisis Moderasi


Second Stage:


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


11/25/2017

27

Analisis Hierarchical Component Model

• Dalam beberapa kasus, suatu variable latenmemiliki “indicator” yang juga berupa variable laten.



• Alasan menggunakan HCM

Mengurangi kompleksitas model structural

Mengatasi multikolinearitas antara variable eksogen

Mengatasi indicator-indicator formative yang saling berkorelasi


11/25/2017

28


• Empat jenis HCM



• Terdapat dua pendekatan untuk melakukananalisis hierarchical component model

Repeated Indicator Approach

Two Stage Approach


11/25/2017

29


• Repeated Indicator Approach

Menghubungkan ulang indicator dari darisetiap LOC ke HOC




Digunakan ketika sifat hubungan LOC-HOC serta indicator-LOC berbeda

Saat hubungan LOC-HOC bersifat formatif di mana HOC mendapat pengaruh darivariable lain


11/25/2017

30



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





11/25/2017

31




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


a short introduction to partial least squares structural equation modeling

Data & Analytics