no comments

Data SEM dengan LISREL, AMOS atau SMART PLS?

Structural Equation Modelling atau lebih dikenali sebagai SEM adalah kaedah analisis statistik multivariat. Perolahan data SEM berbeza daripada regresi data atau analisa laluan. Data SEM adalah lebih rumit, kerana SEM dibina oleh model pengukuran dan model struktur.

Untuk mengolah data dengan lebih mudah, sudah tentu kita memerlukan bantuan perisian statistik. Kini terdapat pelbagai perisian untuk pemprosesan data SEM termasuk Lisrel, AMOS dan Smart PLS. Antara perisian statistik, yang sesuai untuk digunakan. Berikut adalah semakan ringkas:

 

Kelebihan Lisrel

Lisrel telah dibangunkan oleh Karl Jöreskog dan Dag Sörbom. Lisrel adalah perisian statistik paling banyak digunakan di kalangan penyelidik dan pengamal. Kelebihan perisian lisrel adalah keupayaannya untuk mengenal pasti hubungan antara pembolehubah yang kompleks. Cara mengendalikannya terdiri daripada pelbagai pilihan, sama ada dengan syntax atau dengan program mudah, menjadikannya lebih banyak digunakan oleh ramai orang. Syntax akan disukai oleh pengguna yang biasa dengan bahasa program. Sementara  Simplit atau simple lisrel adalah alternatif bagi mereka yang tidak dikenali dengan bahasa program.

Pilihan pelbagai kaedah boleh didapati di Lisrel, jadi ia tidak ditetapkan kepada satu kaedah anggaran Maximum Likelihood. Ia bergantung pada keadaan data, yang mana kaedah anggaran yang akan kita gunakan.

Kekurangan Lisrel

Satu kekurangan perisian ini adalah ketidakupayaan untuk memproses data dengan saiz sampel yang kecil. Apabila kita mempunyai kurang daripada 200 sampel, manakala modelnya adalah kompleks, kadang-kadang hasil anggaran tidak sepadan dengan jangkaan kita.

 

Kelebihan Amos

Sama seperti SPSS, AMOS adalah perisian statistik yang dibangunkan oleh IBM. Perisian Amos dikhususkan untuk membantu menguji hipotesis hubungan antara pembolehubah. Melalui perisian ini, kita dapat mengetahui tahap kekuatan hubungan antara pembolehubah sama ada antara pemboleh ubah laten dan pemboleh ubah nyata. Berapa pentingnya hubungan antara pemboleh ubah, dan bagaimana model hipotesis sesuai dengan data lapangan sebenar.

Keuntungan Amos ialah kita tidak memerlukan syntax atau bahasa program yang rumit untuk mengendalikan perisian ini. Bagi pemula, atau orang awam dengan bahasa program tentu saja ini adalah kelebihan yang berbeza. Melalui amos, kami hanya menerangkan pemboleh ubah laten dan pemboleh ubah nyata, kemudian sambungkannya melalui anak panah yang ada.

 

Kekurangan Amos

Kelebihan amos boleh menjadi kekurangan Amos.  Membuat imej yang sangat banyak apabila model itu kompleks, akan menjadi pekerjaan yang sangat membosankan. Malah, kerja boleh dilakukan dengan lebih mudah melalui bahasa program. Kita hanya perlu copy syntaks dan menggantikan beberapa pemboleh ubah, kemudian running, kemudian menyelesaikan sekompleks apa-apa model yang akan dibuat.

 

Kelebihan SmartPLS

Smart PLS atau Smart Partial Least Square adalah software statistik yang sama dengan Lisrel dan AMOS iaitu untuk menguji hubungan antara pembolehubah, kedua-dua variabel terpendam serta dengan pembolehubah penunjuk, atau nyata.

Penggunaan SmartPLS sangat dipertingkatkan apabila mempunyai bilangan sampel yang terhad manakala model dibina kompleks. Ini tidak boleh dilakukan apabila menggunakan kedua-dua perisian di atas. Mereka memerlukan sampel yang cukup.

Satu lagi kelebihan Smart PLS adalah keupayaannya memproses data baik untuk model SEM formatif atau reflektif. Model SEM Formatif mempunyai ciri-ciri seperti pembolehubah laten atau konstruk yang dibina oleh pembolehubah penunjuk di mana anak panah membawa dari pembolehubah membina kepada pembolehubah penunjuk. Model SEM reflektif adalah model SEM di mana pembolehubah membina adalah refleksi pembolehubah penunjuk, jadi anak panah membawa dari pembolehubah penunjuk kepada pemboleh ubah laten. Secara statistik, akibatnya tidak akan ada nilai ralat pada pembolehubah penunjuk.

Kelemahan Smart PLS

Oleh kerana perisian ini didedikasikan untuk melakukan pemprosesan data dengan sampel kecil, ia tidak sesuai untuk penyelidikan sampel yang besar.

 

Sumber : http://www.en.globalstatistik.com/author/global/

 

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL