101
1.
Adanya linieritas (Linierity) hubungan antar variabel bersifat linear
2.
Adanya aditivitas (Additivity) tidak ada efek-efek interaksi
3.
Data
berskala
interval.
Semua
variabel
yang
diobservasi
mempunyai
data
berskala
interval
(scaled values).
Jika
data belu dalam
bentuk interval, skala sebaiknya
diubah
dengan menggunakan metode suksesive interval (MSI) terlebih dahulu.
4. Semua
variabel
residual
(yang
tidak
diukur)
tidak
berkorelasi
dengan
salah
satu
variabel dalam model.
5.
Istilah
gangguan
(Disturbance
terms) atau
variabel
residual
tidak
boleh
berkorelasi
dengan semua
variabel endogenous dalam model. Jika dilanggar maka akan
berakibat
hasil
regresi menjadi
tidak
tepat
untuk
mengestimasi
parameter-
parameter jalur.
6. Sebaiknya
hanya
terdapat
multikolinieritas
yang
rendah.
Maksud
multikolinieritas
adalah dua atau lebih variabel bebas (penyebab) mempunyai hubungan yang
sangat tinggi.
Jika
terjadi
hubungan
yang tinggi
maka
akan
mendapatkan standar
error yang
besar
dari
koefisien
beta
(ß)
yang
digunakan
untuk
menghilang
varian
biasa dalam melakukan analisis korelasi secara parsial.
7.
Adanya
rekursivitas.
Semua
anak
panah
mempunyai
satu
arah,
tidak
boleh
terjadi
pemutaran kembali (looping).
8.
Spesifikasi model sangat diperlukan untuk menginterpretasi koefisien-koefisien jalur.
Kesalahan spesifikasi terjadi ketika variabel penyebab yang signifikan dikeluarkan
dari
model.
Semua
koefisien
jalur
akan
merefleksikan
kovarian bersama
dengan
semua variabel
yang tidak diukur
dan tidak akan dapat diinterpretasian secara tepat
dalam kaitannya dengan akibat langsung dan tidak langsung.
9.
Terdapat
masukan
korelasi yang
sesuai.
Artinya,
jika
menggunakan
matriks
korelasi
sebagai
masukan
maka
korelasi
Pearson
digunakan
untuk
dua
variabel berskala
interval;
korelasi
polychoric
untuk
dua
variabel
berskala
ordinal;
tetrachoric
untuk
 |