Regresi pada Lisrel bagian 4

All about reading, everithing about reading, easy bisnis, free bisnis, semua tentang baca.

Regresi pada Aplikasi Lisrel 

Bagian ke empat adalah mengenai cara olah data menggunakan Lisrel  untuk regresi berganda.  Contoh data SDM (sumber daya manusia), dimana kita ingin mengetahui persoalan Intrapreneurship (bisa menggunakan sampel/data lainnya), seperti  pada tabulasi data. Penyimpanan data biasanya saya menggunakan google drive karena fasilitas ini cukup mudah di gunakan, dapat di ambil di sini dalam bentuk file coba bag4.sav (SPSS).

Data yang anda ambil masih dalam  format SPSS (cara buat data lihat hasil import ke SPSS lihat input data SPSS), selanjutnya disimpan dalam format PRELIS, save dengan nama coba.psf. Lakukan dengan memisahkan dengan data lainnya dengan membuat folder khusus dengan nama Lisrel pada drive D:

Contoh data yang ada tentang analisis pengaruh Inovasi (I), Kreativitas(K), Gagasan(G), terhadap Intrapreneurship(Int), maka kita akan membuat perintah seperti pada tampilan berikut, cara membuka halaman perintah bisa dilihat pada pembahasan SEM bagian 3.

Baris pertama merupakan judul analisis data, baris kedua merupakan perintah agar aplikasi Lisrel membaca data  yang disiapkan yang telah di save  dalam folder khusus dengan nama Blog Lisrel pada drive D:\Blog lisrel\coba bag4.psf. Baris ketiga adalah perintah hubungan keterkaitan antar data yang kita harapkan. Baris kelima adalah perintah path diagram. Baris terakhir adalah penutup dari semua perintah yang telah di input.

Langkah selanjutnya adalah eksekusi data agar diperoleh hasil olah data. Caranya sederhana saja, silahkan perhatikan pada tab menu bagian atas aplikasi lisrel, pada menu bagian atas ada tombol berupa gambar orang berlari di depan huruf L, arah cursor mouse pada tombol tersebut dan klik maka hasilnya akan ditampilkan dalam bentuk output. Silahkan simpan dengan nama coba.out pada folder yang telah ditentukan pada drive D:\. Sebagaimana tampilan berikut ini :

 

Tampilan hasil output yang pertama adalah kovarians matriks dan rata-rata hitung selanjutnya persamaan regresi nya.

 

Koefisien regresi dapat dilihat pada baris pertama, dibawah persamaan regresi adalah standart error yang bertanda buka kurung & balas kurung yang mengukur ketepatan estimasi parameter yang digunakan. Pada baris ketiga dibawah standar error adalah nilai t-hitung, uji nilai t-hitung dilakukan dengan membandingkan dengan  nilai t-tabel. Hasilnya berupa kesimpulan tingkat signifikansi koefisien regresi. Secara teoritis jika nilai t-hitung  > nilai t-tabel maka kesimpulannya adalah ada pengaruh signifikan antar variable parameter. Silahkan buka tabel t perhatikan jika nilai t-tabel pada α= 5% dan df= 144 adalah 1,65 Dan jika nilai t –tabel pada α= 1 % dan df= 144 adalah 2,35. Berdasarkan hasil tersebut maka variabel I dan K tidak berpengaruh  signifikan terhadap INT dan Variabel K berpengaruh signifikan terhadap INT pada level 1%. Dengan angka kontanta sebesar 2,64  (perintah SIMPLIS tidak dicantumkan label atau lambang contantanya). Persamaan regresi menghasilkan nilai error variance dan R² (Rsquare)

Tampilan Kovarians matriks antara varaiabel-varaiabel independen, antara variable I, K, G, INT kovariansnya berupa variable I dan K adalah 0.08 Dengan standar error 0.04 Dan nilai t-hitung adalah 1.99 ( signifikan pada level 1 % sebagai catatan bahwa kovarains antar variable independen yang standardized merupakan nilai korelasi. Dengan cara yang sama diketahui bahwa antara variable K dan G adalah 0.11 Dengan standar error 0.04 Dan nilai t-hitung adalah 3.02 Signifikan pada level 1%, demikian juga antara variable I dan G.

Varians I adalah sebesar 0.56 Dengan standar error 0.07 Dan nilai t-hitung adalah 8.49 ( bandingkan dengan t-tabel, maka signifikan pada level 1%) demikian pula variabel K dan G dengan cara pengamatan yang sama signifikan pada level 1 %.

Tampilan berikutnya adalah kovarians matriks variabel laten. Tampilan ini tetap ada akan data yang di pakai saat ini adalah data observed bukan variable laten, sehingga tampilan berikut dapat artikan sebagai kovarians antar variable yang dianalisis. Masih ada tampilan output berikutnya, kita cukupkan sampai kovarians matriks variabel laten sementara.

Tampilan output ke dua adalah hasil perintah path diagram yang memberikan nilai estimasi unstandardized. Nilainya sama dengan dengan output pertama dalam bentuk teks dan nilai pada gambar panah adalah nilai kovarians antara variable independen.

Pada layar menu terdapat menu model , menu ini terdiri dari dua pilihan yaitu structural model dan mean model dengan mengklik icon pilihan disamping belakang menu model. Nilai apada diagram mean model adalah nilai mean model sama dengan dengan output pertama dalam bentuk teks.

Menu berikut adalah menu estimate dengan pilihan estimate tampilan seperti tampilan saat ini, pilihannya bisa Standardized Solution (estimasi standar), Conseptual diagram (diagram berupa konsep tanpa nilai), T Values (diagram dengan nilai t-hitung), Modification Indices (Diagram modifikasi dengan nilai satu warna hitam atau berbeda warna merah hitam) dan Expected change (perubahan yang diharapkan)

 Tampilan warna hitam merah pada nilai menu model ataupun menu estimate menunjukkan estimasi paremeter, misal estimasi T-values akan muncul tampilan dimana terdapat nilai yang berwarna merah dan hitam yang menunjukkan hubungan tingkat signifikan (default LISREL adalah 5 %), bila berwarna hitam berarti signifikan dan bila warna merah berarti tidak signifikan.

Demikian pembahasan lisrel bagian ke empat ini, semoga bermanfaat bagi anda.