Variabel Indikator Dalam SEM


Dalam Model Persamaan Struktural atau Structural Equation Model (disingkat dengan SEM), Variabel Indikator merupakan variabel yang dapat diukur secara langsung. Variabel Indikator merupakan pembentuk Variabel Laten.

Untuk penjelasannya silakan pahami contoh dibawah ini.

X = Variabel Indikator yang membentuk Variabel Independent Laten.
Y = Variabel Indikator yang membentuk Variabel Dependent Laten.

Misalkan Variabel Independent Laten "Kepuasan Kerja" akan dibentuk oleh empat Variabel Indikator yaitu X1, X2, X3, dan X4. Variabel Dependent Laten "Kinerja Seseorang" juga dibentuk oleh empat Variabel Indikator yaitu Y1, Y2, Y3, dan Y4. Variabel Dependent Laten "Kinerja Perusahaan" juga dibentuk oleh empat Variabel Indikator yaitu Y5, Y6, Y7, dan Y8.

Mengapa dalam membentu Variabel Laten seharusnya menggunakan lebih dari satu Variabel Indikator? Karena ika hanya menggunakan satu Variabel Indikator dalam membentuk Variabel Laten, berarti kita mengasumsikan tidak ada kesalahan pengukuran dalam mengukur Variabel Laten. Dengan kata lain, kita mengatakan bahwa Variabel Laten dapat diukur secara sempurna oleh satu Variabel Indikator. Jika kita mengukur Variabel Laten dengan menggunakan Variabel Indikator dengan menggunakan data sampel, maka kesalahan pengukuran akan selalu ada sehingga tidak mungkin kita hanya mempunyai satu Variabel Indikator dalam membentuk variabel Laten. Pengukuran kesalahan biasanya terkait dengan masalah Validitas dan Reliabilitas. 


Sumber:
Dirangkum dari buku "Analisis Statistika Multivariat Terapan" karya Agus Widarjono.
www.vccoaching.com
Terima Kasih Atas Kunjungan Anda
Judul: Variabel Indikator Dalam SEM
Ditulis Oleh Alfiandi's Blog
Jika mengutip harap mencantumkan sumber dan memberikan link menuju ke artikel Variabel Indikator Dalam SEM ini. Segala bentuk pelanggaran hak cipta akan dilaporkan ke DMCA Takedown. Komentar yang tidak sopan dan tidak berhubungan dengan topik seperti promosi, jualan, dsb tidak akan dipublikasikan. Terima kasih atas perhatiannya. Happy Blogging :)
Previous
Next Post »
Thanks for your comment