Analisis PLS-SEM dengan package SEMinR pemrograman R

Partial least squares structural equation modeling (PLS-SEM) merupakan salah satu metode analisis data dan pengembangan model penelitian yang sangat populer (Hair et al., 2017).

Pada tutorial ini kita akan melakukan analisis data statistik PLS-SEM dalam pemrograman R, kali ini saya menggunakan R versi 4.0.1 dengan package SEMinR, package ini termasuk baru, info detail dapat diakses dialamat website-nya, mengacu pada website itu, SEMinR dikembangkan oleh Soumya Ray [aut, ths], Nicholas Patrick Danks [aut, cre], Juan Manuel Velasquez Estrada [aut], James Uanhoro [ctr], Arturo Heynar Cano Bejar [ctr] dan dipublikasikan pada 2020-07-23.

Anda mungkin perlu menginstal terlebih dahulu package SEMinR jika belum terinstal di RStudio anda. Artikel kali ini akan membahas proses PLS-SEM disertai dengan contoh.

3 (tiga) tahapan proses PLS-SEM, sebagai berikut:

  1. Measurement Model Assessment, akan menguji empat hal pada outer model yang meliputi uji:
    • Convergent validity indikator tiap variabel dengan melihat nilai dari outer loading, nilai di atas 0.7 menunjukkan indikator sudah cukup valid untuk mengukur variabel endogen.
    • Internal consistency reliability (composite reliability) dengan data rhoC, average variance extracted (AVE) diharapkan di atas 0.5, and rhoA di atas 0.7.
    • Discriminant validity dengan data cross-loading, di mana nilai untuk indikator pada satu variabel harus lebih besar dari nilai cross loading indikator variabel lain pada satu kolom yang sama.
  2. Structural Model Assessmentakan menguji inner model untuk:
    • Uji collinierity model dan data, tidak terjadi multikolinieritas jika nilai VIF < 5
    • Koefisien determinasi R2, nilai R square 0.75, 0.50, atau 0.25 berturut-turut artinya proporsi indikator sudah substantial (bagus), moderate (sedang), atau weak (kurang) persentasenya dalam mengukur variabel endogennya.
    • f2, mengindikasikan besarnya efek variabel independent pada variabel dependent dengan kategori kisaran nilai 0.02, 0.15, dan 0.35 menunjukkan efek small, medium, atau large effect.
  3. Bootstrappinguntuk pengujian signifikansi pengaruh langsung maupun mediated variabel independent ke variabel endogen.

Contoh kasus

Pada contoh di bawah ini kita akan membahas contoh dari data file education.csv , saya juga menyediakan data yang sudah dimodifikasi di file ini (educationFull.csv). Jika file educationFull.csv dibuka akan terlihat sebuah sheet yang berisi data hasil observasi pada tiap indikator dari ke-4 variabel Tutoring, Advising, Value, Satisfaction yang akan kita uji dengan model seperti pada gambar di bawah ini yang kita ambil dari tutorial package semPLS yang lalu, di tutorial ini terdapat sedikit kekeliruan pada gambar untuk indikator Value. Secara umum model penelitian kita seperti gambar di bawah ini.

untuk variabel Value indikatornya keliru ya, mohon dimaklumkan.

Baris perintah untuk analisis menggunakan SEMinR sebagai berikut:

library(seminr)

#silahkan import data educationFull terlebih dahulu
#kolom di table dataframe harus sesuai nama dan jumlahnya

educate_mm <- constructs(
  composite("Advising", multi_items("adv.", c("comp","acces","comm","qual"))),
  composite("Tutoring", multi_items("tut.", c("prof","sched","stud","qual"))),
  composite("Value", multi_items("val.", c("devel","deci","meet","info"))),
  composite("Satisfaction", multi_items("sat.", c("glad","expe","over")))
)

educate_mm <- as.reflective(educate_mm)

#Creating structural model
#path disesuaikan dengan gambar model penelitian
educate_sm <- relationships(
  paths(from = "Tutoring", to = c("Value", "Satisfaction")),
  paths(from = "Advising", to = c("Value", "Satisfaction")),
  paths(from = "Value", to = "Satisfaction")
)

jalankan perintah di atas, kemudian lanjutkan dengan baris perintah di bawah ini,

educate_pls <- estimate_pls(data = educationFull, measurement_model = educate_mm, structural_model = educate_sm)

model_summary <- summary(educate_pls)
model_summary

jalankan baris program di atas, akan menghasilkan output seperti gambar di bawah ini,

lanjutkan perintah dengan baris di bawah ini, untuk uji Convergent validity dan composite reliability

model_summary$loadings #uji validitas
model_summary$reliability #composite reliability

akan menghasilkan output seperti pada gambar di bawah ini,

lanjutkan dengan baris perintah di bawah ini, untuk uji discriminat validity

model_summary$cross_loadings #discriminant validity

akan menghasilkan luaran berikut, tampak nilai cross loading untuk indikator tut.prof, tut.sched, tut.stud, dan tut.qual pada kolom Tutoring memiliki nilai paling besar pada satu kolom tersebut, demikian juga dengan kolom variabel lainnya.

lanjutkan dengan perintah untuk uji kolinieritas, R square dan uji effect f square dengan perintah di bawah ini,

model_summary$vif_items #Uji collinierity

model_summary$path #Rsquare

model_summary$fSquare #Uji effect

akan menghasilkan tabel di bawah ini,

Tahap akhir yaitu proses bootstraping kita jalankan dengan perintah di bawah ini,

#bootstrap
boot_seminr_model <- bootstrap_model(seminr_model = educate_pls, nboot = 1000, cores = 2, seed = NULL)

#melihat hasil uji hipotesis/returns a specific confidence interval
#using the percentile method as per Henseler et al. (2014).

#direct path
confidence_interval(boot_seminr_model = boot_seminr_model, from = "Advising", to = "Satisfaction", alpha = 0.05)

yang akan menghasilkan luaran seperti di bawah ini,

tampak bahwa Advising berpengaruh signifikan pada Satisfaction, kita lihat nilai lower percentile (perc.025) dan upper percentiles (perc.975), menurut Guderdan et al. (2008) dan Garson (2016) jika tidak ada nilai 0 di antara range ini maka dapat dikatakan signifikan.

Kita juga bisa melihat hasil uji mediated path dengan perintah di bawah ini,

#mediated path
confidence_interval(boot_seminr_model = boot_seminr_model, from = "Advising", through = "Value", to = "Satisfaction", alpha = 0.05)

dengan hasil berikut ini, menunjukkan jalur mediasi Value sebagai mediator bagi pengaruh Advising pada Satisfaction adalah signifikan, kita akan bahas lebih dalam mengenai hal ini di tutorial selanjutnya.

Bagian akhir, kita bisa melihat summary hasil uji bootstraping dengan baris perintah berikut,

#melihat summary lengkap
hasil_boot <- summary(boot_seminr_model)
hasil_boot

yang akan menghasilkan luaran seperti di bawah ini, tampak dari hasil di bawah ini Tutoring tidak berpengaruh signifikan pada Satisfaction karena ada nilai nol di dalam range nilai lower percentile (perc.025) -0.009 dengan nilai upper percentiles (perc.975) 0.267.

Proses penggunaan package SEMinR di atas dapat dilihat pada video di bawah ini.

References

  • Hair, J. F., Hult, G. T. M., Ringle, C., & Sarstedt, M. (2017). A primer on partial least squares structural equation modeling (PLS-SEM). In SAGE Publications, Inc. Retrieved from https://us.sagepub.com/en-us/nam/a-primer-on-partial-least-squares-structural-equation-modeling-pls-sem/book244583
  • Garson, G. D. 2016. Partial Least Squares: Regression and Structural Equation Models. Asheboro, NC: Statistical Associates Publishers.
  • Gudergan, Siegfried P. & Ringle, Christian M. & Wende, Sven & Will, Alexander, 2008. “Confirmatory tetrad analysis in PLS path modeling,” Journal of Business Research, Elsevier, vol. 61(12), pages 1238-1249, December.
  • Sanchez, G. 2013. PLS Path Modeling with R, Trowchez Editions. Berkeley, 2013. http://www.gastonsanchez.com/PLS Path Modeling with R.pdf
  • Data education.csv, http://www.gastonsanchez.com/education.csv

Leave a Reply

Your email address will not be published. Required fields are marked *