CERITA 7: Structural Equation Modeling (SEM) – Part 2

Dalam CFA:

Dalam entri sebelum ini, perenggan terakhir saya ada menyatakan ada kaedah uji cuba yang boleh kita lihat untuk menjadikan sesuatu model itu boleh dikatakan model yang terbaik.

Ketika inilah kegunaan CFA (Confirmatory Factor Analysis) yang kita lakukan sebelum ini amat berguna. Terbaik maksud saya, selain daripada nilai CMIN (Model fit), beberapa faktor berikut harus dipertimbangkan iaitu:

Dengan mempertimbangkan dan meneliti faktor-faktor seperti di atas, maka kita boleh 'menyingkirkan' item yang tidak diperlukan untuk improvekan model kita menjadi model terbaik. Pertimbangan ini juga perlu dibuat mengikut kefahaman kita berdasarkan teori dan LR yang kita perolehi sebelum ini. 

CERITA 6: Apa tu Structural Equation Modeling (SEM)? - Part 1

Belum apa-apa dah cerita pasal SEM. Tak sabar katanya. heh

Credit: Google

Peningnya tengok model atas tu? Sebab hitam putih dan ada simbol-simbol Greek kan. haha. tak pelah kita tukar model sikit yang berwarna macam bawah ni. haa..ok sikit dak? Tapi apa nombor/ nilai-nilai tu pulak.. adeh confuse.. takpa nanti kita cerita lagi..

Credit: Google

Structural Equation Modeling (SEM)? Atau dalam bahasa Melayunya, Pemodelan Persamaan Berstruktur, selalunya orang sebut SEM saja. Selalu digunakan bersama perisian AMOS (Analysis of Moment Structures).

Menurut (Hoyle, 1995), SEM adalah "comprehensive statistical approach to testing hypotheses about relations among observed and latent variable".

Latent variable apa pula? Nanti kita cerita di lain hari.

Konsep SEM menggunapakai 3 perkara berikut:

1. Korelasi
2. Regresi
3. Faktor analisis

Jadi seharusnya kita perlu memahami sedikit konsep dalam 3 perkara tersebut sebelum proceed kajian kita dengan SEM. Ini kerana,  pendapat saya, untuk menghasilkan model yang fit atau yang terbaik, ada pelbagai kaedah uji cuba yang merangkumi konsep tersebut. Jadi kalau kita boleh menguasainya adalah bonus. 

Kalau nak baca satu artikel ringkas pasal SEM, boleh rujuk di sini Hox & Begher

CERITA 5: Ukuran Skala Likert (Likert Scale) dalam Soal Selidik

OK. Skala likert dalam borang soal selidik, seeloknya berapa banyak ukurannya?

Credit: Google

Contoh: Bulatkan skala mengikut tahap persetujuan anda

Penyataan:

Saya bangga menjadi rakyat dan warganegara Malaysia.

Credit: Google

Sebaiknya, kita gunakan sekurang-kurangnya 5(lima) ukuran iaitu,

 1=Sangat Tidak Setuju
 2=Tidak Setuju
 3=Tidak Pasti/ Neutral
 4=Setuju
 5=Sangat Setuju

Ini kerana lebih banyak ukuran pada skala likert, lebih banyak variability dalam data kita. Contohnya jika kita gunakan skala likert antara 1 hingga 10, sudah tentu lebih banyak pattern yang boleh diterjemahkan beserta output yang menarik. 

Namun harus diakui, masyarakat di Asia lebih cenderung untuk bersikap berhati-hati terutama apabila menjawab soal selidik. Tidak seperti kebanyakan masyarakat di Barat yang lebih terbuka untuk menyatakan pendirian mereka. Jadi semakin banyak ukuran dalam skala likert itu mungkin membuatkan responden berasa kurang selesa, seterusnya mungkin mengakibatkan kajian kita tidak memberi gambaran dalam populasi  sebenar.

Walaupun secara asalnya kita lihat skala likert ini merupakan pemboleh ubah ordinal, namun jika ia mempunyai sekurang-kurangnya 5 tahap pengukuran, kita panggilkannya sebagai 'ordinal with underlying continuum'. Dengan itu, kita boleh analisis menggunakan mean (purata) dan dapat meneruskan analisis data kita untuk ujian hipotesis selanjutnya (t-test, regression dll).

CERITA 4: PERBEZAAN ANTARA KORELASI DAN REGRESI

Credit: Google

OK. Perbezaan korelasi dan regresi. Memang ada beza. Nampak sama tapi bukan dia.

Poin yang diberikan di bawah, menjelaskan perbezaan di antara korelasi dan regresi secara terperinci:

• Korelasi merupakan kaedah statistik yang menentukan hubungan antara dua pembolehubah. Regresi pula menerangkan bagaimana satu pembolehubah bebas (tidak bersandar) secara numeriknya berkait dengan pembolehubah bersandar.
• Korelasi digunakan untuk mewakili hubungan linear antara dua pembolehubah. Sebaliknya, regresi pula digunakan untuk penyuaian satu garis yang terbaik dan menganggarkan satu pembolehubah berdasarkan pemboleh ubah lain.
• Dalam korelasi, tidak ada perbezaan antara pembolehubah bersandar dan bebas iaitu hubungan antara x dan y adalah sama dengan y dan x. Sebaliknya, regresi bagi y pada x adalah berbeza dengan regresi bagi x pada y.
• Korelasi menunjukkan kekuatan hubungan antara pembolehubah. Regresi pula menunjukkan kesan perubahan unit dalam pembolehubah bebas terhadap pembolehubah bersandar.
• Korelasi bertujuan untuk mencari nilai statistik yang menyatakan hubungan di antara pembolehubah. Tidak seperti tujuan regresi yang digunakan untuk meramal nilai bagi pembolehubah bersandar berdasarkan nilai-nilai pembolehubah tidak bersandar.

Sekarang anda dah jelas sedikit ya?