no comments

PEMODELAN PERSAMAAN STRUKTUR LISREL DENGAN LISREL, AMOS ATAU SMARTPLS

Pemodelan Persamaan Struktur, atau lebih dikenali sebagai SEM adalah kaedah analisis statistik multivariat. SEM mempunyai perbezaan regresi pemprosesan data atau analisis laluan. Pemprosesan data SEM adalah lebih rumit kerana SEM dibina oleh kedua-dua model pengukuran dan model struktur.

Untuk memproses data secara mudah, kita memerlukan perisian statistik. Terdapat banyak perisian untuk data SEM seperti: Lisrel, AMOS dan Smart PLS. Antara perisian statistik, yang sesuai digunakan. di bawah tinjauan ringkas:

Kelebihan Lisrel

Lisrel yang dibangunkan oleh Karl Joreskog dan Dag Sörbom. Perisian statistik Lisrel adalah yang paling banyak digunakan di kalangan penyelidik dan pengamal. Kelebihan perisian LISREL adalah keupayaannya untuk mengenal pasti hubungan antara pembolehubah adalah kompleks. Bagaimana untuk mengendalikannya terdiri daripada pilihan, sama ada dengan sintaks dan lisrel mudah, menjadikannya lebih banyak digunakan dalam pelbagai disiplin. Sintaks pasti disukai untuk pengguna yang biasa dengan bahasa pengaturcaraan. Walaupun SIMPLIS atau LISREL mudah adalah alternatif bagi mereka yang tidak dikenali dengan bahasa pengaturcaraan.

Pemilihan pelbagai kaedah pengiraan boleh didapati di dalam bahasa kasar, jadi jangan berpaut kepada kaedah Anggaran Maksimum Maksimum. Ia bergantung pada keadaan data, kaedah anggaran yang akan digunakan.

Kelemahan Lisrel

Salah satu kelemahan adalah ketidakupayaan untuk memproses data dengan saiz sampel yang kecil. Apabila kami mempunyai sampel kurang daripada 200 sampel, manakala modelnya adalah kompleks, kadang-kadang keputusan anggaran tidak selari dengan jangkaan kami.

Kelebihan Amos

Seperti halnya SPSS, AMOS adalah perisian statistik yang dibangunkan oleh IBM. Perisian Amos didedikasikan untuk membantu menguji hubungan hipotesis antara pembolehubah. Melalui perisian ini, kita dapat menentukan tahap kekuatan hubungan antara kedua-dua pemboleh ubah antara pemboleh ubah terpendam dan pemboleh ubah yang nyata. Bagaimana hubungan yang signifikan antara pembolehubah, dan bagaimana hipotesis model yang sesuai berbanding dengan bidang data sebenar.

Dengan Amos, kami tidak memerlukan sintaks atau bahasa pengaturcaraan rumit untuk mengendalikan perisian. Bagi pemula, atau mereka yang tidak dikenali dengan bahasa pengaturcaraan adalah kelebihan. Melalui Amos, kami hanya menerangkan pemboleh ubah terpendam dan pemboleh ubah nyata, dan kemudian menyambungkannya melalui anak panah yang tersedia.

Kelemahan Amos

Kelebihan amos serta kelemahannya. Kita perlu membuat banyak imej apabila model itu kompleks, dan ia akan menjadi kerja yang sangat membosankan. Sedangkan di Lisrel, kerja dapat dilakukan dengan lebih mudah dengan bahasa pemrograman. Kami hanya menyalin dan menduplikasi sintaks, kemudian berjalan, kemudian selesaikan model, sama seperti mana-mana model yang kami mahukan.

Kelebihan PLS Pintar

Smart PLS atau Partial Least Square adalah perisian statistik dengan matlamat yang sama dengan lisrel dan AMOS, untuk mengkaji hubungan antara pemboleh ubah, pembolehubah laten yang baik dan pembolehubah penunjuk, atau manifes.

PLS pintar digunakan apabila kita mempunyai bilangan sampel yang terhad manakala model itu dibina kompleks. ini tidak boleh dilakukan apabila kami menggunakan kedua-dua perisian di atas. mereka memerlukan kecukupan sampel.

Satu lagi kelebihan Smart PLS adalah keupayaannya untuk memproses data kedua-duanya untuk model SEM formatif atau model reflektif. Model SEM formatif mempunyai ciri-ciri yang merupakan pemboleh ubah laten atau pembinaan yang dibina oleh pembolehubah penunjuk di mana kepala anak panah pemboleh ubah untuk membina pembolehubah penunjuk. Model SEM reflektif adalah model di mana pembolehubah SEM membina refleksi pembolehubah penunjuk, supaya anak panah membawa dari pembolehubah penunjuk kepada pemboleh ubah terpendam. Secara statistik, akibatnya adalah bahawa tidak ada kesilapan dalam nilai pembolehubah penunjuk.

Kelemahan PLS Pintar

Oleh itu perisian ini hanya untuk memproses data dalam saiz kecil, ia tidak sesuai untuk penyelidikan dengan sampel besar.

Sumber: Ayat HIdayat Huang

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL