CERITA 28: Kaedah untuk Penilaian Kesahan Diskriminan (discriminant validity)

CERITA 28: Kaedah untuk Penilaian Kesahan Diskriminan (discriminant validity)

Kaedah untuk penilaian kesahan diskriminan (discriminant validity)

Assalamualaikum semua pembaca, salam 12 Ramadhan. Hari ini saya nak kongsikan beberapa kaedah yang boleh digunakan untuk menilai kesahan diskriminan sebelum kita proceed dengan Persamaan Pemodelan Berstruktur (SEM).

Takrifan:

Kesahan diskriminan yang menunjukkan model pengukuran sesuatu konstruk bebas daripada item yang bertindih (Pallant, 2016).

Kesahan diskriminan merujuk kepada sejauh mana sesuatu konstruk yang diukur benar-benar berbeza daripada konstruk yang lain, serta sejauh mana sesuatu item itu hanya mewakili satu konstruk pendam sahaja (Hair et al. 2014). 

Ujian kesahan diskriminan yang dicadangkan oleh Hair et al. adalah dengan menggunakan:

1. kaedah bebanan silang (cross-loadings),

2. kriteria Fornell-Larcker

3. nisbah korelasi Heterotrait-Monotrait (HTMT).

 

Menggunakan mana-mana kaedah ini, konstruk-konstruk model telah memenuhi kesahan diskriminan yang telah ditetapkan apabila:

 1. Kaedah bebanan silang (cross-loadings),

The factor loading indicators on the assigned construct have to be higher than all loading of other constructs with condition that the cut-off value of factor loading is higher than 0.70 (Hair et al. 2011; Hair et al. 2014).

2. Kriteria Fornell-Larcker

Disemak dengan membuat perbandingan korelasi antara konstruk dengan nilai punca kuasa dua AVE bagi setiap konstruk (Fornell & Larcker 1981; Zainudin 2016). Kesahan diskriminan dikatakan tercapai apabila nilai punca kuasa dua AVE adalah lebih besar daripada nilai korelasi antara konstruk mengikut baris dan lajur bagi konstruk berkenaan.

3. Nisbah korelasi Heterotrait-Monotrait (HTMT) 

Nilai nisbah korelasi bagi HTMT bagi kesemua konstruk adalah tidak melebihi 0.85 iaitu nilai kritikal yang diperlukan bagi ujian kesahan diskriminan (Clark dan Watson, 1995; Kline, 2011; Henseler et al. 2015)  

Terdapat lagi pelbagai kaedah lain, pembaca sendiri boleh explore. Namun kaedah 'kriteria Fornell-Larcker' paling biasa digunakan.                                                                                                              

Pengalaman saya, anda boleh cuba kaedah Fornnell-Lacker dahulu, jika masih tak dapat penuhi kesahan diskriminan , boleh cuba kaedah nisbah korelasi Heterotrait-Monotrait (HTMT). Semoga berjaya. 😄 

SEKIAN SEMOGA BERMANFAAT ..

Rujukan:

Clark, L. A., & Watson, D. (1995). Constructing validity: basic issues in objective scale development. Psychological Assessment, 7(3), 309–319.

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2014). Multivariate data analysis. In Harlow : Pearson Education Limited. https://doi.org/10.1002/9781118895238.ch8

Kline, R. B. (2011). Principles and practice of structural equation modeling. New York: Guilford Press.

Henseler, Jörg & Ringle, Christian & Sarstedt, Marko. (2015). A New Criterion for Assessing Discriminant Validity in Variance-based Structural Equation Modeling. Journal of the Academy of Marketing Science. 43. 115-135. 10.1007/s11747-014-0403-8. 

CERITA 27: Analisis Faktor Penjelajahan (Exploratory Factor Analysis)- EFA

 CERITA 27: Analisis Faktor Penjelajahan (Exploratory Factor Analysis)- EFA

Assalamualaikum, apa khabar semua pembaca, salam PKP 2.0. Sama-sama kita berdoa agar wabak Covid-19 segera berakhir.

Kali ni saya nak sambung cerita pasal Analisis Faktor Penjelajahan (Exploratory Factor Analysis)- EFA. Ada yang dalam BM ditulis Analisis Faktor Penerokaan. 

Entry sebelum ini saya pernah berkongsi berkenaan kaedah putaran dalam EFA. Boleh rujuk balik di SINI.

Hari ni saya nak sambung lagi cerita pasal article yang saya baca ini ditulis oleh Yong (2013). Kalau rajin boleh baca. Cuma nak ringkaskan beberapa penemuan:

Selepas kita buat rotated component matrix, dan lihat keputusan tersebut, jika ada 2 item sahaja dalam 1 faktor, berikut pandangan dalam artikel ini:

• Sesuatu faktor itu boleh dikatakan sebagai faktor sekiranya ia mempunyai sekurang-kurangnya tiga item (Tabahnick & Fidell, 2007)
• Secara umumnya, faktor terputar yang mempunyai dua item atau kurang perlu diterjemahkan dengan lebih berhati-hati.
• Faktor yang mempunyai dua item di dalamnya dikatakan boleh dipercayai sekiranya ia berkorelasi tinggi antara satu sama lain (r > 0.70) dan berkorelasi sederhana dengan item yang lain (Yong, 2013).

Jadi maksudnya, kalau syarat ke-3 tu tak penuhi, bolehlah kita pertimbangkan untuk gugurkan kedua-dua item tu.

Nilai komunaliti (communalities)

Nilai communalities item juga harus kita pertimbangkan. Pemboleh ubah/ item dengan nilai communalities yang rendah (< 0.20) seharusnya digugurkan (Child, 2006).

Pengekstrakan faktor

Ada beberapa kaedah, tetapi 3 kaedah yang biasa digunakan adalah:

1) Maximum likelihood (kebolehjadian maksimum) : lebih berguna untuk analisis faktor pengesahan (CFA) dan digunakan untuk menganggar pemberat  faktor untuk populasi.

2) Principal Axis Factor : dengan kefahaman bahawa kesemua pemboleh ubah berada pada faktor pertama. Apabila faktor diekstrak, matriks ralat diukur. Faktor kemudiannya diekstrak secara berterusan sehingga terdapat sejumlah besar varians yang dikira dalam matriks korelasi (Tucker & MacCallum, 1997). Kaedah ini lebih sesuai sekiranya data tidak mengikuti andaian taburan multivariat normal (multivariate normality assumption)

3) Principal component : Merupakan teknik pengurangan data. Kaedah ini digunakan untuk mengekstrak varians maksimum daripada data daripada setiap komponen, maka ia mengurangkan sejumlah besar pemboleh ubah kepada komponen yang lebih kecil (Tabachnick & Fidell, 2007).

Ok, sampai di sini dahulu. Sebenarnya banyak nak cerita pasal EFA ni lagi, tp tunggu ada kesempatan saya update lagi.

Semoga bermanfaat. Terima kasih.

Rujukan:

Tabachnick, B. G., & Fidell, L. S. (2007). Using multivariate statistics (5th ed.). Boston, MA: Allyn & Bacon. 

Tucker, L.R., & MacCallum, R.C. (1997). Exploratory factor analysis. Retrieved March 27, 2012 from http://www.unc.edu/~rcm/book/ch7.pdf

Yong AG, Pearce S. A beginner’s guide to factor analysis: focusing on exploratory factor analysis. Tutorials in Quantitative Methods for Psychology 2013; 9(2):79–94