no comments

Proses Ujian Menggunakan Pemodelan Persamaan Struktur (SEM)

Pemodelan Persamaan Struktur (SEM) digunakan untuk mengkaji hipotesis. SEM dengan AMOS menggabungkan kedua-dua analisis regresi dan analisis faktor. SEM adalah pelbagai variasi kaedah statistik yang digunakan untuk menguji persatuan langsung dan tidak langsung antara pemboleh ubah ramalan dengan satu atau lebih pemboleh ubah hasil. SEM terdiri daripada tujuh peringkat utama, daripada membangunkan model, membina hubungan sebab akibat gambarajah jalan, membina dan mengubah model pengukuran dan akhirnya sesuai model (Hair et al., 2006).

a) Peringkat 1: Membangunkan Model

Kajian ini bertujuan untuk memahami faktor-faktor yang mempengaruhi pengambilan tingkah laku pegawai dalam pengambilan eBidding dalam penetapan pemerintah. Model yang dicadangkan dalam kajian ini mesti memenuhi kriteria yang ditetapkan untuk membuat hubungan kausal. Hairet al., (2006) berpendapat terdapat hubungan yang mencukupi antara pembolehubah, kewujudan sebab versus kesan dan justifikasi teoretikal untuk hubungan.
Lampiran II menunjukkan senarai penunjuk kajian ini.

b) Peringkat 2: Hubungan Diagram Laluan

Model Pemodelan Persamaan Struktur terdiri daripada variabel yang diperhatikan (OV) dan pemboleh ubah terpendam (LV). Hubungan antara pembolehubah yang diamati dan laten dalam SEM ditunjukkan menggunakan gambar rajah jalan (Gefen, 2003; Tong, 2007).

i. Penggunaan Sebenar / Adopsi – Pembolehubah ini adalah pembolehubah endogen, yang terdiri daripada empat (4) faktor / penunjuk faktor yang diperhatikan, iaitu Use1, Use2, Use3 and Use4;
ii.Harapan Prestasi (PE) – Pembolehubah ini adalah pembolehubah eksogen, yang terdiri daripada tujuh (7) pembolehubah faktor yang diperhatikan, iaitu PE1, PE2, PE3, PE4, PE5, PE6, PE7;

iii. Harapan Usaha (EE) – Pembolehubah ini adalah pemboleh ubah eksogen, yang terdiri daripada tujuh (7) faktor faktor yang diperhatikan, iaitu EE1, EE2, EE3, EE4, EE5, EE6 dan EE7;

iv. Pengaruh Sosial (SI) – Pembolehubah ini adalah pemboleh ubah eksogen, yang terdiri dari tujuh (7) faktor faktor yang diperhatikan, iaitu SI1, SI2, SI3, SI4, SI5, SI6 dan SI7;
v. Keadaan Memudahkan (FC) – Pembolehubah ini adalah pemboleh ubah eksogen yang terdiri daripada tujuh (7) faktor faktor yang diperhatikan, iaitu FC1, FC2, FC3, FC4, FC5, FC6 dan FC7;

vi. Kualiti Sistem (SQ) – Pembolehubah ini adalah pemboleh ubah eksogen, yang terdiri daripada tujuh (7) faktor faktor yang diperhatikan, iaitu SQ1, SQ2, SQ3, SQ4, SQ5, SQ6 dan SQ7;

vii. Kualiti Maklumat (IQ) – Pembolehubah ini adalah pemboleh ubah eksogen, yang terdiri daripada tujuh (7) faktor faktor yang diperhatikan, iaitu IQ1, IQ2, IQ3, IQ4, IQ5, IQ6 dan IQ7;
viii. Kualiti Perkhidmatan (SVQ) – Pembolehubah ini adalah pemboleh ubah eksogen, yang terdiri daripada tujuh (7) faktor faktor yang diperhatikan, iaitu SVQ1, SVQ2, SVQ3, SVQ4, SVQ5, SVQ6, dan SVQ7;
ix. Kepuasan – Pembolehubah ini adalah pemboleh ubah eksogen, yang terdiri dari tujuh (7) pembolehubah faktor yang diperhatikan, iaitu Satis1, Satis2, Satis3, Satis4, Satis5, Satis6 dan Satis7;
x. Pengalaman (Exp) – Pembolehubah ini adalah pemboleh ubah eksogen, yang terdiri daripada lima (5) pemboleh ubah faktor yang diperhatikan, iaitu Exp1, Exp2, Exp3, Exp4 dan Exp5;
xi. Inovasi peribadi dalam IT (PIIT) – Pembolehubah ini adalah pemboleh ubah eksogen, yang terdiri daripada lima (5) pembolehubah faktor yang diperhatikan, iaitu PIIT1, PIIT2, PIIT3, PIIT4 dan PIIT5.

c) Peringkat 3: Model Struktur dan Pengukuran

SEM mengintegrasikan kedua-dua laluan dan analisis faktor termasuk pembolehubah atau penunjuk yang diperhatikan bagi setiap pembolehubah yang tidak dapat dilihat seperti analisis faktor dan laluan spesifik yang menghubungkan pemboleh ubah yang tidak dapat dilihat dalam analisis laluan (Tong, 2007). Analisis faktor konfirmasi (CFA) menetapkan model sesuai dengan data. Pembolehubah yang tidak dapat diawasi diuji untuk melihat apakah mereka diukur oleh konstruktif yang diamati di mana setiap pembolehubah yang tidak diamati diasumsikan berkaitan dengan satu set pembolehubah yang diperhatikan (Tong, 2007). Model pengukuran kemudian dinilai menggunakan Kebaikan – daripada – Ujian Fit (GoF). Dengan menganalisis keputusan dari pengukuran dan ujian model struktur, ujian hipotesis yang lebih tepat dapat dilakukan (Garson, 2009).

d) Peringkat 4: Jenis Matriks dan Anggaran Model Anggaran

Pemeriksaan data telah dilakukan untuk memeriksa data mentah untuk mengenal pasti apa-apa data yang hilang, yang melibatkan ujian data normal dan skewness. Andaian utama perisian SEM ialah pembolehubah endogen dan eksogen mesti diedarkan secara normal. Pengagihan dianggap normal jika ia mempunyai indeks skewness kurang daripada 3 dan nilai kurtosis kurang dari 10 (Tong, 2007). Di samping itu, pelbagai masalah kolonariti akan berlaku jika dan apabila pembolehubah yang diperhatikan berkaitan rapat. Ujian pekali Pearson mengesan pelbagai kollinear yang tidak hadir jika nilai pekali kurang daripada 0.8 (Sekaran, 2000).

e) Peringkat 5: Menilai Pengenalpastian Model

Jenis pengenalan model pertama adalah model mudah, yang mempunyai bilangan pembolehubah yang sama sebagai unsur kovarians. Dalam kajian ini, satu lagi model yang dikenalpasti diperolehi kerana ia akan meningkatkan kebolehpercayaan anggaran. Lebih dari itu model yang dikenal pasti mempunyai lebih banyak kerjasama elemen varians berbanding pembolehubah (Garson, 2009).

f) Peringkat 6:  Menilai Kebaikan ‘Goodness of Fit (GoF)’.

‘Goodness of Fit’ sesuai digunakan untuk menentukan penolakan atau penerimaan model untuk analisis lanjut (Tong, 2007). Walaupun AMOS menawarkan 25 kebaikan yang berbeza. Walau bagaimanapun, Garson (2009) menasihatkan penyelidik untuk tidak melaporkan kesemua 25 kebaikan daripada langkah yang sesuai. Dia berpendapat bahawa dengan melaporkan semua kebaikan daripada langkah yang sesuai, ia menyiratkan bahawa penyelidik berada dalam ekspedisi memancing. Walau bagaimanapun, Kline (2005) mencadangkan empat kebaikan yang paling sering dilaporkan daripada ujian patut adalah chi persegi; Goones of Index Fit (GFI), Indeks Berasaskan Batas (NFI), Indeks Kelompok Perbandingan (CFI), dan Kesilapan Anggaran Purata Kekurangan Root (RMSEA).

Chi-persegi (χ2) adalah kebaikan yang paling popular daripada ujian patut digunakan untuk SEM (Garson, 2009). Senarai output AMOS chi- persegi sebagai chi = \ CMIN. Model chi-nilai persegi cenderung berkurangan (lebih baik) apabila lebih banyak jalan dimasukkan atau dibuat dalam model. Sebaliknya, nilai χ2 yang signifikan menunjukkan model yang kurang sesuai (Garson, 2009; Kassim, 2001; Tong, 2007). Chi relatif-persegi (χ2 / df) digunakan dalam SEM supaya nilai χ2 kurang dipengaruhi oleh saiz sampel (Ullman, 2007). Relatif X2 disenaraikan dalam AMOS sebagai RATIO = Cmin / df, dan relatif X2 nilai 3 atau kurang dianggap sebagai diterima (Tong, 2007).

Indeks Perbandingan Sesuai (CFI) adalah satu lagi ukuran untuk Kebaikan daripada Ujian patut. CFI digunakan untuk mengukur peningkatan model yang sesuai berbanding dengan model null (Garson, 2009; Tong, 2007). AMOS menyenaraikan CFI sebagai CFI = \ cfi (Tong, 2007). Nilai CFI yang hampir kepada 1 menunjukkan model yang sangat baik (Garson, 2009; Tong, 2007). Biasanya, CFI harus ≥.90 untuk model yang akan diterima. CFI harus ≥.90 untuk model yang akan diterima (Tong, 2007).

Indeks Berasaskan Batas (NFI) adalah indeks alternatif CFI (Tong, 2007). NFI berkisar dari 0 (patut buruk) hingga 1 (baik) (Ullman, 2007). Nilai NFI 0.50 bermakna model SEM meningkat sebanyak lima puluh peratus berbanding model null (Tong, 2007). Nilai NFI di atas .95 dianggap cemerlang, nilai NFI dari 0.90 hingga 0.95 adalah wajar, tetapi penyelidik harus kembali tentukan model jika nilai NFI berada di bawah 0.90 (Garson, 2009; Tong, 2007).

Indeks Tucker Lewis Fit (TLI) adalah indeks tambahan tambahan yang serupa dengan NFI (Garson, 2009). TLI relatif bebas daripada saiz sampel. TLI dinyatakan sebagai tahap per kebebasan yang sesuai (Tong, 2007). AMOS menyenaraikan TLI sebagai TLI = \ TLI (Tong, 2007). Nilai TLI yang hampir dengan 1 atau nilai TLI> 0.90 menunjukkan model yang sesuai, manakala nilai TLI di bawah 0.90 menunjukkan keperluan semula tentukan model (Tong, 2007).

Satu lagi penunjuk penting ialah Goodness of Fit Index (GFI) yang menganalisis peratus dalam model co-varians (Garson, 2009). AMOS menyenaraikan GFI sebagai GFI = \ gfi (Tong, 2007). GFI sepatutnya bersamaan dengan 0.9 atau lebih tinggi untuk model parsimonious (Garson, 2009) manakala, Schumacker dan Lomax (2004) mencadangkan nilai GFI 0.95 atau lebih tinggi.

Satu lagi kriteria untuk Goodness of Fit sesuai ialah Kesilapan Root Square Kesan Penghampiran (RMSEA), iaitu perbezaan satu darjah kebebasan (Tong, 2007). RMSEA adalah ukuran model yang berkesan kerana tidak perlu membandingkan model SEM dengan model null (Tong, 2007). AMOS menyenaraikan RMSEA sebagai RESEA = \ rmsea. RMSEA bernilai ≤ 0.8 sebagai model yang baik (Tong, 2007).

g) Peringkat 7: Mengubah Model.

Model ini diperiksa untuk pengubahsuaian model berpotensi selepas model SEM awal ditubuhkan. Spesifikasi semula dilakukan dengan memangkas model dengan menambahkan anak panah jalur dan mengeluarkan parameter untuk mencapai model dengan baik (Garson, 2009).

KOMEN ANDA

Komen

TENTANG KAMI | PENAFIAN | HUBUNGI | HANTAR ARTIKEL