ROBUST STANDARD ERRORS DENGAN SATORRA-BENTLER SCALED TEST STATISTIC UNTUK MENGATASI NONNORMALITAS DALAM ANALISIS STRUCTURAL EQUATION MODELING (SEM)

Abstract

Hasil analisis menunjukkan bahwa pada data berdistribusi normal, metode ML dan robust standard errors dengan Satorra-Bentler scaled test statistic berkerja dengan baik. Meskipun lebih kecil daripada , selisih kedua SEs tidak terlalu jauh. Pada saat ukuran sampel sama dengan 30 (N=30) selisih terbesar adalah 0,085. Selisih tersebut semakin kecil seiring dengan bertambahnya ukuran sampel. Uji statistik kedua metode juga menghasilkan nilai yang hampir sama, ditunjukkan oleh adanya nilai scaling corrections factor (SCF) yang mendekati 1 yang berarti bahwa data berdistribusi normal dan tidak memerlukan koreksi. Hal ini menyebabkan selisih uji statistik tidak terlalu jauh berbeda. Misalnya pada saat N=60, dan . Analisis dengan N=30 dan N=60 menghasilkan p-value yang tergolong rendah yaitu dibawah 5% dan bias yang tinggi ( 10%). Pada saat N=105, , kedua metode menghasilkan p-value di atas 5% dan keduanya bekerja baik dengan menghasilkan bias 0%. Pada data yang tidak berdistribusi normal, metode robust standard errors dengan Satorra-Bentler scaled test statistic lebih baik daripada ML. lebih besar daripada dan selisih keduanya jauh berbeda. SCF yang diberikan pada data nonnormal dengan N=105 mencapai 1,616. Nilai koreksi tersebut menyebabkan selisih uji statistik kedua metode jauh berbeda ( ) baik pada saat N=30, 60, maupun 105. Semakin besar ukuran sampel hasil analisis semakin baik, hal ini dapat dilihat dari nilai bias. Pada saat N=105, analisis yang dikoreksi dengan menghasilkan bias=0% sedangkan menghasilkan bias=32%. Sementara itu pada N=30 dan 60, bias yang dihasilkan masih lebih besar atau sama dengan 10%. Metode statistical testing robust standard errors dengan Satorra-Bentler scaled test statistic menghasilkan nilai-nilai yang lebih baik sehingga peluang menerima model atau hipotesis null lebih besar. Namun metode tersebut juga memerlukan ukuran sampel yang tidak terlalu kecil. Penjelasan tersebut didukung dengan beberapa visualisasi yaitu diagram jalur, struktur kovarian, dan struktur kovarian residual dari masingmasing distribusi data. Berdasarkan diagram jalur dapat dilihat nilai estimasi parameter yang dihasilkan mendekati nilai pada data yang ditetapkan. Sementara gambar struktur kovarian residual menunjukkan kesesuaian antara struktur kovarian keseluruhan data (implied) dan model data yang diamati (observed).