Model Fit [PDF]

Citation preview

Model Fit Fit Measures di SmartPLS SmartPLS menawarkan ukuran yang sesuai berikut:     



SRMR Kriteria tepat sesuai d_ULS dan d_G NFI Chi² RMS_theta



Untuk indeks fit perkiraan seperti SRMR dan NFI, Anda dapat langsung melihat hasil dari estimasi model PLS atau PLSc (yaitu, laporan hasil) dan nilai-nilai kriteria ini dengan ambang tertentu (misalnya, SRMR 0,90 ). Untuk ukuran pas tepat d_ULS dan d_G Anda dapat mempertimbangkan statistik inferensi untuk penilaian. Oleh karena itu, Anda perlu menjalankan prosedur bootstrap dan menggunakan opsi "bootstrap lengkap" di SmartPLS 3. Saat menjalankan prosedur bootstrap, Anda akan melihat bahwa prosedur menghitung dua kali hingga jumlah sampel bootstrap yang ditentukan: 







Pada putaran pertama, SmartPLS menggunakan prosedur bootstrapping standar untuk mendapatkan statistik inferensi untuk parameter model (misal, koefisien jalur, bobot, dll.). Pada putaran kedua, SmartPLS menggunakan prosedur bootstrapping Bollen-Stine yang diadaptasi seperti yang dijelaskan dalam Dijkstra dan Henseler (2015; juga lihat Bollen dan Stine, 1992; Yuan dan Hayashi, 2003) untuk membuat interval kepercayaan untuk kriteria d_ULS, d_G, dan SRMR (Perhatikan bahwa SmartPLS memiliki dua perhitungan berjalan di putaran kedua: satu untuk model jenuh dan satu lagi untuk model perkiraan).



Standard Root Mean Square Residual (SRMR) Sedangkan rata-rata kuadrat residu akar (RMSR) adalah ukuran nilai absolut ratarata residu kovarians, standar residual kuadrat residual standar (SRMR) berdasarkan transformasi baik matriks kovarians sampel dan matriks kovariansi yang diprediksi ke dalam matriks korelasi. SRMR didefinisikan sebagai perbedaan antara korelasi yang diamati dan model matriks korelasi tersirat. Dengan demikian, ini memungkinkan menilai rata-rata besar perbedaan antara korelasi yang diamati dan yang diharapkan sebagai ukuran mutlak kriteria (model) yang sesuai. Nilai kurang dari 0,10 atau 0,08 (dalam versi yang lebih konservatif; lihat Hu dan Bentler, 1999) dianggap cocok. Henseler dkk. (2014) memperkenalkan SRMR sebagai goodness of fit measure untuk PLS-SEM yang dapat digunakan untuk menghindari model mispesifikasi.



SmartPLS juga menyediakan statistik inferensi berbasis bootstrap dari kriteria SRMR. Untuk interpretasi hasil konfirmasi interval bootstrap SRMR melihat model yang tepat sesuai.



Fit Model Tepat Model yang tepat sesuai menguji penyimpangan statistik (berbasis bootstrap) dari perbedaan antara matriks kovariansi empiris dan matriks kovariansi yang ditunjukkan oleh model faktor komposit. Seperti yang didefinisikan oleh Dijkstra dan Henseler (2015), d_LS (yaitu, jarak Euclidean kuadrat) dan d_G (yaitu, jarak geodesik) mewakili dua cara yang berbeda untuk menghitung perbedaan ini. Rutin bootstrap menyediakan interval keyakinan nilai-nilai perbedaan ini. Catatan: Nilai d_LS dan d_G sendiri tidak berhubungan dengan nilai apa pun. Hanya hasil bootstrap dari ukuran fit model yang tepat yang memungkinkan interpretasi hasil. Lebih khusus lagi, karena interval kepercayaan d_ULS dan d_G (dan SRMR) tidak diperoleh dengan menjalankan prosedur bootstrap "normal", tetapi prosedur bootstrap Bollen-Stine yang diadaptasi, interpretasi hasil mereka agak berbeda dari hasil bootstrap "normal". Untuk kriteria yang tepat (yaitu, d_ULS dan d_G), Anda membandingkan nilai asli mereka terhadap interval keyakinan yang dibuat dari distribusi sampling. Interval keyakinan harus menyertakan nilai asli. Oleh karena itu, batas atas interval kepercayaan harus lebih besar dari nilai asli dari kriteria pas d_ULS dan d_G yang tepat untuk menunjukkan bahwa model memiliki "cocok". Pilih interval keyakinan dengan cara bahwa batas atas berada pada 95% atau 99% poin. Dengan kata lain, model sangat cocok jika perbedaan antara matriks korelasi yang ditunjukkan oleh model Anda dan matriks korelasi empiris sangat kecil sehingga dapat dikaitkan murni dengan kesalahan sampling. Oleh karena itu, perbedaan antara matriks korelasi yang ditunjukkan oleh model Anda dan matriks korelasi empiris harus tidak signifikan (p> 0,05). Jika tidak, jika perbedaan tersebut signifikan (p