Model persamaan struktural dengan generalized structured component analysis (GSCA)

WACIKO, Kadek Jemmy, Prof. Drs. Suryo Guritno, M.Stats., Ph.D

2009 | Tesis | S2 Matematika

Hwang dan Takane (2004, 2007, 2009) telah mengusulkan suatu metoda baru dalam Component Based SEM yang dinamai Generalized Structured Component Analysis (GSCA). GSCA model memiliki asumsi distribusi yang lebih terbatas dan dapat digunakan dalam indikator formatif dan reflektif secara bersama. Bentuk umum model GSCA dapat dinyatakan sebagai, ZV = ZWA+E atau ? = GA + E, estimasi parameter GSCA dilakukan dengan menggunakan algoritma Alternating Least Square (ALS) yang prosedurnya dapat dilakukan dalam dua tahapan dan evaluasi model GSCA dapat dilakukan dalam tiga tahapan. Berdasarkan simulasi Monte Carlo menggunakan software R 2.9.0 untuk model SEM dengan ind ikator reflektif- formatif diperoleh hasil bahwa GSCA berkinerja sangat baik untuk ukuran sampel kecil (N) terutama untuk 50 £ N £ 200 atau untuk semua ukuran sampel, N ³ 50. Dalam mengilustrasikan dan mengimplementasikan GSCA dan SEM-ML menggunakan model SEM dengan indikator reflektif, diperoleh secara keseluruhan kedua metode menghasilkan evaluasi model yang sama dan software VisualGSCA 1.0 dapat digunakan dalam GSCA maupun SEM-ML.

Hwang and Takane (2004, 2007, 2009) have proposed a new component-based SEM method named Generalized Structured Component Analysis (GSCA). GSCA model is less restricted distributional assumptions, can deal with both formative and reflective indicators. The form of GSCA model can be expressed as ZV = ZWA+E or ? = GA + E, GSCA parameter estimation can be done by using Alternating Least Squares algorithm (ALS) consists of two step and the eva luation models in GSCA consists of three step. Based on Monte Carlo simulation use R 2.9.0 software for SEM models with reflektive-formative indicator obtained result of that GSCA have very good performance to small sampel size, especially to 50 £ N £ 200 , or all sampel size N ³ 50. In illustrated and implementation GSCA and SEM-ML use SEM model with reflektive indicator, obtained both of method yield is same model evaluation and existence of VisualGSCA 1.0 software can be used in GSCA and SEM-ML.

Kata Kunci : Generalized structured component analysis (GSCA),Alternating least squares (ALS),SEM_ML (Covariance based SEM dengan Metode maximum likehood),Simulasi Monte Carlo