30
Full
information
techniques
adalah
suatu
tehnik
untuk
mengestimasi
seluruh
sistem
persamaan secara simultan dimana informasi
yang digunakan
untuk mengestimasi suatu
parameter
diperoleh
dari
seluruh sistem
persamaan
pada
suatu
model.
Salah
satu
kelemahan
dari
estimasi
jenis
ini
adalah,
jika
suatu
model
memiliki
specification error
yang timbul akibat dimasukkan hubungan yang tidak relevan akan berpengaruh terhadap
seluruh model.
Beberapa estimasi yang termasuk dalam Full
Information Techniques, be®bagai
asumsi-asumsi
yang
harus
dipenuhi
dan
jumlah
ukuran
sampel
yang
dianjurkan
dibahas
berikut ini:
Maximum Likelihood (ML)
Metode
estimasi
yang
paling
populer
digunakan
pada
penelitian
SEM,
dan secara
default digunakan oleh LISREL adalah Maximum Likelihood. Maximum Likelihood akan
menghasilkan
estimasi
parameter
yang
valid,
efisien
dan
reliable
apabila
data
yang
digunakan
adalah
mulivariate
normality
(normalitas
multivariate)
dan
akan
robust
(tidak
terpengaruh/ kuat)
terhadap penyimpangan
multivariate
normality yang sedang (moderate).
Tetapi
estimasi
pada
ML
akan
bias
apabila
pelanggaran
terhadap
multivariate
normality
sangat besar.
Maximum
Likelihood memiliki
hasil
yang
cukup
valid
dengan
besaran
sampel
minimal, tetapi menurut Hair et.al (1998) ukuran sampel sebesar itu tidak dianjurkan. Ukuran
sampel yang disarankan untuk penggunaan estimasi Maximum Likelihood adalah sebesar 100
–
200. kelemahan dari metode ML ini adalah ML akan menjadi ”sangat sensitif” dan
menghasilkan indeks
goodness
of fit yang
buruk apabila
data yang
digunakan adalah besar
(antara 400 – 500).
Generalized Least Square
 |