no comments

Pemodelan Persamaan Struktur: Garis Panduan untuk Menentukan Model Fit

“Absolute fit indices”

Indeks patut mutlak menentukan bagaimana model priori sesuai dengan data sampel (McDonald dan Ho, 2002) dan menunjukkan model yang dicadangkan mempunyai kelebihan yang paling unggul. Langkah-langkah ini memberikan indikasi yang paling asas tentang seberapa baik teori yang dicadangkan sesuai dengan data. Tidak seperti indeks kenaikan tambahan, pengiraan mereka tidak bergantung kepada perbandingan dengan model garis dasar tetapi sebaliknya merupakan ukuran seberapa baik model itu dibandingkan dengan tiada model sama sekali (Jöreskog dan Sörbom, 1993). Termasuk dalam kategori ini ialah ujian Chi-Squared, RMSEA, GFI, AGFI, RMR dan SRMR.

“Model chi-square (χ2)”

Nilai Chi-Square adalah ukuran tradisional untuk mengevaluasi keseluruhan model yang sesuai dan, ‘menilai magnitud perbezaan antara sampel dan matriks kovarian yang dipasang’ (Hu dan Bentler, 1999: 2). Sesuatu model yang baik akan memberikan hasil yang tidak penting pada ambang 0,05 (Barrett, 2007), oleh itu statistik Chi-Square sering dirujuk sebagai salah satu ‘kejahatan fit’ (Kline, 2005) atau ‘kekurangan fit’ Mulaik et al, 1989). Walaupun ujian Chi-Squared mengekalkan popularitinya sebagai statistik yang sesuai, terdapat beberapa batasan teruk dalam penggunaannya. Pertama, ujian ini menganggap normalisasi multivariate dan penyimpangan teruk dari normality boleh mengakibatkan penolakan model walaupun model ditentukan dengan betul (McIntosh, 2006). Kedua, kerana statistik Chi-Square pada dasarnya adalah ujian statistik penting, ia sensitif kepada saiz sampel yang bermaksud bahawa statistik Chi-Square hampir selalu menolak model apabila sampel besar digunakan (Bentler dan Bonnet, 1980, Jöreskog dan Sörbom, 1993). Sebaliknya, jika sampel kecil digunakan, statistik Chi-Square tidak mempunyai kuasa dan kerana ini mungkin tidak mendiskriminasi antara model pemasangan yang baik dan model pemasangan yang kurang baik (Kenny dan McCoach, 2003). Disebabkan kekangan Model Chi-Square, para penyelidik telah mencari indeks alternatif untuk menilai model sesuai. Satu contoh statistik yang meminimumkan kesan saiz sampel pada Model Chi-Square adalah Wheaton et al’s (1977) relative / normed chi-square (χ2 / df). Walaupun tidak ada konsensus mengenai nisbah yang boleh diterima untuk statistik ini, cadangan berkisar dari setinggi 5.0 (Wheaton et al, 1977) serendah 2.0 (Tabachnick dan Fidell, 2007)

“Root Mean Square Error of Approximation”  (RMSEA)

RMSEA adalah statistik fit kedua yang dilaporkan dalam program LISREL dan mula-mula dibangunkan oleh Steiger dan Lind (1980, yang disebut dalam Steiger, 1990). RMSEA memberitahu kami bagaimana model ini, dengan anggaran parameter yang tidak diketahui tetapi tidak tepat, sesuai dengan matriks kovarians populasi (Byrne, 1998). Dalam tahun-tahun kebelakangan ini, ia dianggap sebagai ‘salah satu indeks fit paling bermaklumat’ (Diamantopoulos dan Siguaw, 2000: 85) kerana kepekaannya terhadap bilangan parameter yang dianggarkan dalam model. Dalam erti kata lain, RMSEA menyokong parsimony kerana ia akan memilih model dengan bilangan parameter yang lebih rendah. Cadangan untuk titik pemotongan RMSEA telah dikurangkan dengan ketara dalam tempoh lima belas tahun yang lalu. Sehingga awal tahun sembilan puluhan, RMSEA dalam julat 0.05 hingga 0.10 dianggap sebagai nilai wajar dan nilai di atas 0.10 menunjukkan kebolehan buruk (MacCallum et al, 1996). Ia kemudian difikirkan bahawa RMSEA antara 0.08 hingga 0.10 menyediakan fit biasa dan di bawah 0.08 menunjukkan yang baik (MacCallum et al, 1996). Walau bagaimanapun, baru-baru ini, nilai pemotongan yang hampir kepada .06 (Hu dan Bentler, 1999) atau had atas ketat 0.07 (Steiger, 2007) nampaknya merupakan persetujuan umum di kalangan pihak berkuasa di kawasan ini.

Salah satu kelebihan terbesar dari RMSEA ialah kebolehannya untuk selang keyakinan untuk dikira di sekitar nilainya (MacCallum et al, 1996). Ini adalah mungkin kerana nilai-nilai pengedaran statistik yang diketahui dan kemudiannya membolehkan hipotesis nol (fit miskin) diuji lebih tepat (McQuitty, 2004). Ia biasanya dilaporkan bersempena dengan RMSEA dan dalam model yang sesuai, had yang lebih rendah adalah hampir dengan 0 manakala had atas harus kurang daripada 0.08.

“Goodness-of-fit statistic (GFI) and the adjusted goodness-of-fit statistic (AGFI)”

 

Statistik Goodness-of-Fit (GFI) dicipta oleh Jöreskog dan Sorbom sebagai alternatif kepada ujian Chi-Square dan mengira perkiraan varians yang diambil kira oleh anggaran kovarian (Tabachnick dan Fidell, 2007). Dengan melihat varians dan kovarians yang diambil kira oleh model, ia menunjukkan betapa eratnya model untuk mereplikasi matriks kovarians yang diperhatikan (Diamantopoulos dan Siguaw, 2000). Statistik ini berkisar antara 0 hingga 1 dengan sampel yang lebih besar meningkatkan nilainya. Apabila terdapat sebilangan besar darjah kebebasan dibandingkan dengan saiz sampel, GFI mempunyai kecenderungan menurun (Sharma et al, 2005). Di samping itu, didapati GFI meningkat apabila bilangan parameter meningkat (MacCallum dan Hong, 1997) dan juga mempunyai berat sebelah atas dengan sampel besar (Bollen, 1990; Miles dan Shevlin, 1998). Secara tradisinya titik pemotongan omnibus 0.90 telah disyorkan untuk GFI bagaimanapun, kajian simulasi menunjukkan bahawa apabila beban dan saiz sampel adalah rendah, potongan lebih tinggi 0.95 lebih sesuai (Miles dan Shevlin, 1998). Memandangkan kepekaan indeks ini, ia menjadi kurang popular dalam beberapa tahun kebelakangan ini dan bahkan telah disyorkan bahawa indeks ini tidak boleh digunakan (Sharma et al, 2005). Terkait dengan GFI adalah AGFI yang menyesuaikan GFI berdasarkan derajat kebebasan, dengan model yang lebih tepu mengurangi fit (Tabachnick dan Fidell, 2007). Oleh itu, model yang lebih parsimonious lebih disukai manakala dihukum untuk model rumit. Di samping itu, AGFI cenderung meningkat dengan saiz sampel. Seperti halnya GFI, nilai untuk AGFI juga berkisar antara 0 dan 1 dan secara amnya diterima bahawa nilai 0.90 atau lebih besar menunjukkan model yang sesuai. Memandangkan kesan sampingan yang sering menjejaskan saiz sampel pada kedua-dua indeks yang sesuai ini, mereka tidak bergantung pada indeks yang berdiri sendiri, namun diberi kepentingan sejarah mereka sering dilaporkan dalam analisis struktur kovarians.

Root mean square residual (RMR) and standardised root mean square residual (SRMR)

RMR dan SRMR adalah punca kuasa dua perbezaan antara sisa-sisa matriks kovarians sampel dan model kovarians hipotesis. Julat RMR dikira berdasarkan sisik setiap penunjuk, oleh itu jika soal selidik mengandungi item dengan pelbagai peringkat (beberapa item mungkin berkisar dari 1 – 5 manakala yang lain adalah dari 1 – 7) RMR menjadi sukar untuk mentafsirkan (Kline , 2005). RMR (SRMR) yang diselaraskan menyelesaikan masalah ini dan oleh itu lebih bermakna untuk mentafsir. Nilai untuk SRMR berkisar daripada sifar hingga 1.0 dengan model yang sesuai dengan nilai kurang daripada .05 (Byrne, 1998; Diamantopoulos dan Siguaw, 2000), namun nilai setinggi 0.08 dianggap boleh diterima (Hu dan Bentler, 1999). SRMR 0 menunjukkan yang sesuai tetapi perlu diingat bahawa SRMR akan lebih rendah apabila terdapat banyak parameter dalam model dan dalam model berdasarkan ukuran sampel yang besar.

Sumber : Daire Hooper, Joseph Coughlan, and Michael R. Mullen

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL