PLS-SEM multigroup analysis (MGA dan MICOM)
Membandingkan pengaruh antar kelompok, didahului uji invariansi pengukuran.
Untuk apa dipakai
- Menguji model dengan banyak variabel laten
- Membandingkan dua kelompok atau lebih
Data yang dibutuhkan
Kolom angka butir kuesioner untuk beberapa variabel (konstruk), satu baris per responden.
Unggah file Excel (.xlsx) atau CSV. Aplikasi memeriksa kecocokan data dengan metode sebelum analisis dijalankan, dan token tidak terpotong bila analisis gagal.
Bantuan — proses & rumus
Tahap komputasi yang dijalankan OlahData untuk metode ini, lengkap dengan rumus dan rujukannya.
Kolom pengelompokan harus ada di data, tidak sedang dipakai sebagai indikator model, dan membagi responden tepat menjadi 2 kelompok. Tiap kelompok butuh jumlah responden lengkap minimal tertentu supaya model bisa diestimasi dengan stabil.
n_min per kelompok = maks(30, jumlah indikator + 5)
Model PLS-SEM yang sama (lihat Bantuan PLS-SEM) diestimasi tiga kali secara terpisah: pada data kelompok A saja, kelompok B saja, dan seluruh data gabungan. Hasil dari data gabungan dipakai sebagai dasar perhitungan skor komposit di tahap berikutnya.
Skor komposit dihitung dari data gabungan yang distandarkan, memakai bobot kelompok A dan bobot kelompok B secara terpisah, lalu dikorelasikan satu sama lain untuk tiap konstruk.
C_a = Z_gabungan[blok] · w_a, C_b = Z_gabungan[blok] · w_b
c_j = corr(C_a,j, C_b,j)
Label kelompok diacak ulang (ukuran tiap kelompok dipertahankan) sebanyak 500/1.000/5.000 kali dengan benih acak tetap. Model diestimasi ulang pada tiap pembagian acak untuk membentuk distribusi acak dari korelasi c, selisih rata-rata, log rasio varians, dan selisih koefisien jalur — dipakai sebagai pembanding pada tahap 3, 5, dan 6.
nilai p = (1 + jumlah hasil permutasi ≥ nilai teramati) / (1 + jumlah permutasi)
Selisih rata-rata dan log rasio varians skor komposit antar kelompok dibandingkan terhadap selang kepercayaan 95% dari distribusi permutasi pada tahap 4.
md_j = rata-rata(S_A,j) − rata-rata(S_B,j)
lv_j = ln( varians(S_A,j) / varians(S_B,j) )
Selisih koefisien jalur dari model kelompok A dan kelompok B (hasil tahap 2) diuji signifikansinya memakai distribusi permutasi yang sama dari tahap 4.
d_k = β_A,k − β_B,k
R² tiap konstruk endogen dilaporkan terpisah dari model kelompok A dan model kelompok B (hasil tahap 2), untuk dibandingkan langsung seberapa besar daya jelas model pada tiap kelompok.
| Ukuran | Ambang batas | Rujukan |
|---|---|---|
| Invariansi kompositional (MICOM langkah 2) | c ≥ kuantil 5% distribusi permutasi | Henseler dkk. (2016) |
| Kesetaraan rata-rata & varians (MICOM langkah 3) | Nilai teramati berada dalam selang 95% permutasi | Henseler dkk. (2016) |
| Perbedaan koefisien jalur | Signifikan bila p permutasi < 0,05 | Chin & Dibbern (2010) |
| Jumlah responden per kelompok | ≥ maks(30, jumlah indikator + 5) | — |
- Henseler, J., Ringle, C. M., & Sarstedt, M. (2016). Testing measurement invariance of composites using partial least squares. International Marketing Review, 33(3), 405–431.
- Chin, W. W., & Dibbern, J. (2010). A permutation based procedure for multi-group PLS analysis: Results of tests of differences on simulated data and a cross cultural analysis of the sourcing of information system services between Germany and the USA. In Handbook of partial least squares (pp. 171–193). Springer.
- Hair, J. F., Hult, G. T. M., Ringle, C. M., & Sarstedt, M. (2022). A primer on partial least squares structural equation modeling (PLS-SEM) (3rd ed.). Sage.
- Lohmöller, J.-B. (1989). Latent variable path modeling with partial least squares. Physica-Verlag.
Mengikuti Henseler dkk. (2016) dan Chin & Dibbern (2010).
Contoh hasil
Contoh hasil dengan data fiktif untuk metode ini sedang disiapkan.
Ingin mencoba dengan data Anda?
Hasilnya disertai tabel, grafik, narasi, dan penjelasan prosesnya.