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.