A short introduction to Partial Least Squares Structural Equation Modeling

11/25/2017
1
Bodhiya Wijaya Mulya, S.Sos., M.M.
Brief Profile
Expertise Area:
Research methodology
Private Sector Development
Social entrepreneurship
Social statistics
Sociology of religion
Contact info:
For consultation or detailed training,
contact: bodhiyawijaya@gmail.com
©Bodhiya Wijaya Mulya

11/25/2017
2
Apa itu PLS-SEM ?
• Partial Least Squares Structural Equation
Modeling (PLS-SEM) adalah salah satu cara
pendekatan SEM yang berfokus pada variance.
• Secara sederhana PLS-SEM bisa dibilang
adalah versi non-parametric dari SEM
• PLS-SEM merupakan pendekatan dari SEM
yang fleksibel tanpa terikat dengan asumsi
dari distribusi data

11/25/2017
3
Perkembangan PLS-SEM
• Dibuat pada pertengahan tahun 1960
• Sampai pertengahan tahun 2000an belum ada
perkembangan lebih lanjut agar PLS-SEM
dapat dipakai dengan mudah
• Generasi pertama PLS-SEM yang biasa dipakai
ada di tahun 1980an adalah LVPLS 1.8 yang
masih berbasis program DOS
Perkembangan PLS-SEM
• Paket software PLS-SEM yang populer saat ini
adalah WarpPLS (software komersial) dan
SmartPLS (software freemium)

11/25/2017
4
PLS-SEM (vs) CB-SEM
• Gunakan PLS-SEM:
Tujuan dari penelitian adalah memperkirakan
relasi antara variable-variable laten kunci atau
mencari variable laten yang menjadi penggerak
Terdapat indicator formatif
Terdapat banyak variable laten dan banyak
variable manifest atau model yang dihasilkan
rumit
Jumlah sample sedikit dan/atau tidak
berdistribusi normal
PLS-SEM (vs) CB-SEM
• Gunakan CB-SEM:
Tujuan penelitian adalah menguji atau
mengkonfirmasi teori serta
membandingkan antara beberapa
alternative teori
Terdapat hubungan dua-arah/ di dalam
model
Model relatif sederhana

11/25/2017
5
Karakteristik PLS-SEM
• Hanya mengijinkan
hubungan searah atau
rekursif
• Terdiri atas variable:
 Variabel laten/unobserved
variable/konstruk
 Variable manifest/observed
variable/indikator
• Hubungan antara konstruk dan indikator
dapat bersifat reflektif dan formatif
• Satu manifest hanya bisa dihubungkan dengan
satu laten saja

11/25/2017
6
• PLS SEM mewajibkan bebas multikolinearitas
antar variable-variable eksogen-nya
• Tidak ada kriteria goodness of fit
• Dapat digunakan untuk riset-riset eksploratif
• Sangat berguna ketika sample sangat terbatas
dan distribusi data tidak normal
Sample dalam PLS-SEM

11/25/2017
7
Langkah-Langkah Analisis Data Dengan
PLS-SEM
• Spesifikasi model structural dan pengukuran
• Pengumpulan data
• Mengukur model pengukuran (Reflektif)
• Mengukur model pengukuran (Formatif)
• Mengukur model struktural
Spesifikasi model structural dan
pengukuran
• Proses penyusunan model structural harus
didasarkan pada teori yang ada
• Jenis-jenis variable laten di dalam PLS-SEM
ada beberapa yakni:
Variabel Eksogen
Variabel Endogen
Variabel Mediator
Variabel Moderator

11/25/2017
8
pengukuran
• Penyusunan model pengukuran adalah proses
membuat indicator yang mengukur suatu
konstruk/laten.
• Proses pembuatan ini dapat menggunakan
penelitian terdahulu ataupun disusun oleh
peneliti dengan mengacu pada beberapa
referensi teoritis yang ada
pengukuran
• Terdapat dua bentuk model pengukuran yakni
 Model reflektif atau Mode A: Indikator
merupakan suatu kemungkinan kumpulan
item yang digunakan untuk mengukur suatu
konstruk. Dalam model ini, indicator bisa
saling bertukar satu sama lain ataupun
dikurangi selama masih mempertahankan
reliabilitas. Indicator di dalam model reflektif
juga akan saling berkorelasi satu sama lain

11/25/2017
9
pengukuran
• Terdapat dua bentuk model pengukuran yakni
 Model formatif atau Mode B: Indikator-
indicator lah yang menyusun suatu konsep.
Dalam model ini, indicator mewakili aspek
tertentu di dalam konstruk sehingga indikator
tidak bisa saling bertukar satu sama lain.
Pengurangan indicator akan berakibat pada
makna yang berbeda pada konstruk. Indicator
di dalam model formatif tidak diharapkan
saling berkorelasi satu sama lain
pengukuran

11/25/2017
10
Pengumpulan (Pembersihan) Data
• Missing Data: PLS dapat secara otomatis
menggantikan data yang tidak terisi dengan
rata-rata kelompok.
• Bila dalam satu responden terdapat lebih dari
15% missing data maka data seluruh
responden harus dihilangkan dari dataset
Pengumpulan (Pembersihan) Data
• Outliers harus dibersihkan dari data sebelum
dianalisis dengan PLS-SEM.
• PLS-SEM tidak masalah dengan distribusi data
yang tidak normal namun kalau data tersebut
terlalu tidak normal, sebaiknya dilakukan
pemeriksaan terlebih dahulu. Misalnya jika
didapati skewness dan kurtosis lebih dari 1.

11/25/2017
11
Model Pengukuran Reflektif
• Model pengukuran perupaya untuk melihat
apakah indicator sudah menjadi “alat ukur”
yang tepat bagi konstruk.
• Bagian utama dalam analisis model
pengukuran adalah validitas dan reliabilitas
• Tidak ada goodness of fit di dalam PLS-SEM
• Reliability:
 Composite Reliability
 Indicator Reliability

11/25/2017
12
• Convergent Validity
 Outer loading
 Average Variance Extracted (AVE)
• Discriminant Validity
 Cross-Loading
 Fornell-Larcker criterion

11/25/2017
13
Model Pengukuran Formatif
• Redundancy Analysis
• Collinearity Analysis
 Indikator-indikator dari model formatif
tidak boleh saling berkorelasi satu sama
lain
 Diuji dengan SPSS untuk melihat nilai
tolerance dan VIF

11/25/2017
14
• Outer Weight
 Uji Significance outer weight dengan
bootstrapping
• Outer Loading
 Uji Significance outer loading dengan
bootstrapping
Model Struktural
• Memeriksa multikolinearitas antar variable
laten
 Variabel-variabel laten eksogenus yang
memengaruhi suatu variable laten
endogenus yang sama tidak boleh memiliki
korelasi satu sama lain

11/25/2017
15
Model Struktural
• Menguji path coefficient beserta nilai
significance-nya
 Path coefficient adalah nilai yang
menunjukkan kekuatan dan arah korelasi
antara satu variable dengan variable yang
lain
 Nilai significance-nya didapatkan dari
prosedur bootstrapping
Model Struktural
• Melihat nilai coefficient of determinantion
(R2 value)
 Menunjukkan seberapa besar suatu
variable endogen dipengaruhi oleh
variable-variable eksogen-nya
 Berkisar antara 0 sampai 1

11/25/2017
16
Model Struktural
• Menghitung effect size (f2 value)
 Sebagai tambahan atas analisis R2 untuk
melihat apakah keberadaan suatu variable
eksogenus tertentu memiliki dampak yang
substansial terhadap variable endogen
Model Struktural
• Menghitung Q2
 Nilai predictive relevance mengukur
seberapa tepat model tersebut
memprediksikan variable laten endogenus
 Didapatkan melalui mekanisme
blindfolding
 Tahap ini hanya perlu dilakukan untuk
variable endogen yang berindikator
reflektif saja

11/25/2017
17
Model Struktural
• Menghitung q2
 Nilai predictive relevance relatif
 Mirip dengan f2 effect size
 Tahap ini hanya perlu dilakukan untuk
variable endogen yang berindikator
reflektif saja

11/25/2017
18
Analisis Mediasi
• Variabel Mediasi adalah suatu variable yang
menjadi penghubung antara variable Eksogen
dan Endogen.
Analisis Mediasi

11/25/2017
19
Analisis Mediasi
• Langkah-Langkah Analisis Mediasi
1. Melihat hubungan langsung antara eksogen
dan endogen tanpa adanya mediasi
 Mengeluarkan variable mediasi dari model
PLS
 Bila path coefficient signifikan maka
lanjutkan
 Bila hasilnya tidak signifikan maka tidak
ada efek mediasi
Analisis Mediasi
2. Melihat hubungan tidak langsung antara
eksogen dan endogen melalui variable
mediasi
 Masukkan variable mediasi ke model PLS
 Bila path coefficient hubungan tidak langsung
menunjukkan hasil yang signifikan maka
lanjutkan
 Bila hasilnya tidak signifikan maka tidak ada
mediasi

11/25/2017
20
Analisis Mediasi
3. Menghitung nilai Variance Accounted For
 =
 Total Effect adalah efek tidak langsung
ditambah efek langsung
Analisis Mediasi
4. Menginterpretasi hasil VAF
 VAF > 80%  Mediasi penuh
 VAF = 20%-80%  Mediasi sebagian
 VAF < 20%  Tidak ada mediasi

11/25/2017
21
Analisis Moderasi
• Variabel moderator adalah variable yang
memperkuat atau memperlemah hubungan
antara variable eksogen dengan variable
endogen
• Variabel moderator bahkan dapat mengubah
arah dari suatu hubungan antara eksogen dan
endogen
Analisis Moderasi
• Dalam hubungan antara kepuasan pelanggan
dan loyalitas pelanggan dapat dimoderasi oleh
income bulanan pelanggan

11/25/2017
22
Analisis Moderasi
• Terdapat dua pendekatan dalam melakukan
analisis moderasi
1. Product Indicator Approach
2. Two Stages Approach
Analisis Moderasi
• Product Indicator Approach
 Dilakukan dengan membuat sebuah
variable baru yang merupakan hasil
perkalian antara variable eksogen dan
moderator
 Variabel ini bisa disebut sebagai variable
interaksi
 Setiap indicator di masing-masing variabel
juga dikalikan

11/25/2017
23
Analisis Moderasi
• Product Indicator Approach
Analisis Moderasi
• Two Stage Approach
 Pendekatan ini harus digunakan apabila
ada indicator formatif dalam model
 Akan tetapi model dengan indicator
reflektif juga bisa menggunakan
pendekatan ini

11/25/2017
24
Analisis Moderasi
First Stage:
 Model diestimasi tanpa melihat interaksi
antara variable eksogen dan moderator
 Hasil Latent Variable Score disimpan dan
digunakan untuk Second Stage
Analisis Moderasi
First Stage:

11/25/2017
25
Analisis Moderasi
Second Stage:
 Buat variable interaksi yang merupakan
perkalian antara eksogen dengan
moderator
 Latent Variable Score di stage 1 dari
masing-masing variable dijadikan indicator
reflektif untuk variable terkait
Analisis Moderasi
Second Stage:
 Variabel perkalian antara eksogen dan
moderator menggunakan indicator yang
berasal dari perkalian LV score eksogen dan
moderator di stage 1

11/25/2017
26
Analisis Moderasi
Second Stage:
Analisis Moderasi
• Interpretasi dilakukan dengan melihat path
coefficient dan p-value dari variable interaksi
• Bila path coefficient menunjukkan hasil positif
maka berarti variable moderator memperkuat
hubungan antara eksogen dan endogen
• Sebaliknya hasil negative menunjukkan
variable moderator justru memperlemah
hubungan

11/25/2017
27
Analisis Hierarchical Component Model
• Dalam beberapa kasus, suatu variable laten
memiliki “indicator” yang juga berupa variable
laten.
• Alasan menggunakan HCM
 Mengurangi kompleksitas model structural
 Mengatasi multikolinearitas antara variable
eksogen
 Mengatasi indicator-indicator formative
yang saling berkorelasi

11/25/2017
28
• Empat jenis HCM
• Terdapat dua pendekatan untuk melakukan
analisis hierarchical component model
 Repeated Indicator Approach
 Two Stage Approach

11/25/2017
29
• Repeated Indicator Approach
 Menghubungkan ulang indicator dari dari
setiap LOC ke HOC
 Digunakan ketika sifat hubungan LOC-HOC
serta indicator-LOC berbeda
 Saat hubungan LOC-HOC bersifat formatif di
mana HOC mendapat pengaruh dari
variable lain

11/25/2017
30
 Lakukan uji repeated indicator untuk
mendapatkan Latent Variable Score dari LOC
 Ubah LOC menjadi indicator dengan
menggunakan Latent Variable Score yang
didapat dari stage 1
 Sifat hubungan tidak boleh diubah

11/25/2017
31
References
• Hair Jr, J. F., Hult, G. T. M., Ringle, C., & Sarstedt, M. (2014). A
Primer on Partial Least Squares Structural Equation Modeling
(PLS-SEM). California: Sage Publications.
• Hair, J.F., Black, W.C., Anderson, R.E., Babin, B.J. (2010).
Multivariate Data Analysis 7th Edition. New Jersey: Prentice
Hall
• Sarwono, J. dan Narimawati, U. (2015). Membuat Skripsi,
Tesis, dan Disertasi dengan Partial Least Square SEM.
Yogyakarta: Penerbit Andi.
• Ghozali, I. (2008). Structural Equation Modelling
Alternatif dengan Partial Least Square Edisi 2. Semarang:
Badan Penerbit Universitas Diponegoro

A short introduction to Partial Least Squares Structural Equation Modeling

Recomendados

Recomendados

Mais conteúdo relacionado

Semelhante a A short introduction to Partial Least Squares Structural Equation Modeling

Semelhante a A short introduction to Partial Least Squares Structural Equation Modeling (16)

A short introduction to Partial Least Squares Structural Equation Modeling